論文の概要: NEAR: Neighborhood-Aware Residuals for Memory Retrieval

• arxiv url: http://arxiv.org/abs/2610.13314v1
• Date: Fri, 09 Oct 2026 09:57:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.51421
• Title: NEAR: Neighborhood-Aware Residuals for Memory Retrieval
• Title（参考訳）: NEAR: メモリ検索のための周辺認識残量
• Abstract要約: メモリ検索は、格納されたレコードから証拠を特定し、クエリに応答することを目的としている。 異なる事実の詳細を持つ保存されたレコードは、トピック、エンティティ、イベントを共有することができる。 これらのレコードが共有する情報を用いて、クエリ-メモリマッチングのためのローカル参照を構築します。
• 参考スコア（独自算出の注目度）: 28.3306749606874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Memory retrieval aims to identify evidence from stored records to answer a query. Stored records with different factual details may share topics, entities, or events. Such shared contents would make records without the required evidence more likely to receive high similarity scores and outrank the correct evidence. In this paper, we use the information shared by these records to construct local references for query-memory matching. We propose NEighborhood-Aware Residuals (NEAR), a training-free framework that uses these references to construct residual representations that complement the original embeddings. Specifically, each memory derives a reference direction from its neighbors, and each query obtains its reference from a precomputed table. Using these references, NEAR constructs projection residuals for both queries and memories. These residuals are combined with the original embeddings for a single approximate nearest-neighbor search over a fixed memory index. Experiments on eight long-context retrieval benchmarks show consistent improvements across nine embedding models. Downstream evaluations show that NEAR improves question-answering performance.
• Abstract（参考訳）: メモリ検索は、格納されたレコードから証拠を特定し、クエリに応答することを目的としている。 異なる事実の詳細を持つ保存されたレコードは、トピック、エンティティ、イベントを共有することができる。 このような共有されたコンテンツは、必要な証拠がなければ、高い類似性スコアを受け取り、正しい証拠を上回る可能性が高い。 本稿では、これらのレコードが共有する情報を用いて、クエリメモリマッチングのためのローカル参照を構築する。 我々は、これらの参照を使用して元の埋め込みを補完する残留表現を構築するトレーニングフリーフレームワークNEighborhood-Aware Residuals (NEAR)を提案する。 具体的には、各メモリは隣人から参照方向を導き、各クエリは予め計算されたテーブルから参照を取得する。 これらの参照を使用して、NEARはクエリとメモリの両方のプロジェクション残基を構築する。 これらの残余は、固定メモリインデックス上の1つの近似近傍探索のための元の埋め込みと組み合わせられる。 8つの長文検索ベンチマークの実験では、9つの埋め込みモデルで一貫した改善が見られた。 下流評価では、NEARは質問応答性能を改善している。

関連論文リスト

• Beyond the Final Embedding: Retrieving Memories from Token-Level Evidence [28.3306749606874]
  メモリ拡張されたアシスタントは、格納された会話とドキュメントから証拠を検索し、クエリに応答する。 ほとんどの埋め込みベースのレトリバーは、クエリとメモリの単一ベクトル表現を比較します。 本手法はスパーストークンマッチングを用いて,追加のトレーニングを伴わずに検索を改善する。
  論文  参考訳（メタデータ） (2026-10-09T09:27:55Z)
• Event-Centric Memory with Query-Aware Graph Augmentation for Long-Term Conversational Agents [51.804747364500344]
  本稿では,人間の記憶を動機とした新しいメモリ構築とアクティベーションフレームワークQGMemを提案する。 QGMemは、長い対話履歴を個々の体験を保存するイベントインデックス化された原子記憶ユニットに変換する。 検索,マルチホップエビデンス構成,コンフリクト解決,コンパクトな文脈による超長文対話推論において,一貫した利得を示す。
  論文  参考訳（メタデータ） (2026-10-08T13:17:59Z)
• Grounding Memory Summarization in Utility Intent [45.44133963538914]
  問合せと問合せのペアに対する条件付けの要約は,解答の品質を大幅に向上させることを示す。 本稿では,教師が質問応答対に条件付きで,実用性を考慮したメモリエントリを生成するためのフレームワークであるMemSuitを提案する。
  論文  参考訳（メタデータ） (2026-09-27T10:06:29Z)
• GraphMemix: Query-Aware Evidence Forests for Long-Term Multimodal Agent Memory [87.58855368314693]
  メモリ構造をクエリ対応エビデンス・フォレスト構築としてモデル化するグラフメモリフレームワークであるGraphMemixを提案する。 4つの長期マルチモーダルメモリベンチマークの実験結果から,異なる基礎モデルによる大幅な改善が示された。
  論文  参考訳（メタデータ） (2026-08-27T11:28:49Z)
• MemOps: Benchmarking Lifecycle Memory Operations in Long-Horizon Conversations [50.24315431387575]
  ライフサイクル操作のシーケンスとして会話メモリを再構成するベンチマークであるMemOpsを紹介する。 MemOpsは、それぞれのメモリイベントをトリガ、ターゲット、スコープ、状態遷移、エビデンスを指定した構造化トレースで表現する。 長いコンテキスト、検索ベース、パラメトリック、マネージドメモリシステムにわたって、MemOpsはファイナ・アンサーの精度のみを隠蔽する障害モードをアンタングルする。
  論文  参考訳（メタデータ） (2026-07-14T15:33:44Z)
• RaMem: Contextual Reinstatement for Long-term Agentic Memory [21.228780482661076]
  本稿では,検索したメモリフラグメントを文脈的エビデンスに変換するフレームワークであるAgenic Memory (RaMem) について述べる。 ラメムは4つの調整された段階を経る: (i) それぞれの記憶を元のエピソード条件、特にイベント時間、参照時間、セッションスパンおよび参加者に固定する証拠 (ii) 記憶条件誘導は、クエリによって入力されたエビデンス条件を導出する; (iii) 妥当性認識検索は、これらの条件を使用して、コンテンツ関連候補をフォールバック証拠として保持しながら、コンテキスト互換な記憶を優先順位付けする; (iv) コンテキスト保存合成は、選択された記憶の構造化されたコンテキストをジェネレータに保持する。
  論文  参考訳（メタデータ） (2026-06-22T04:41:14Z)
• Infini Memory: Maintainable Topic Documents for Long-Term LLM Agent Memory [19.802226925602927]
  長期的なLLMエージェントは、変化する事実を追跡し、セッション間で関連する証拠を提供する、永続的なメモリを必要とする。 Infini Memoryは、エージェントメモリをトピック構造化文書として扱う、保守可能なテキストベースの永続メモリアーキテクチャである。
  論文  参考訳（メタデータ） (2026-06-09T10:31:51Z)
• Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents [51.30250860677378]
  本稿では,連想記憶グラフとアクティブな再構成機構を組み合わせたフレームワークであるMRAgentを提案する。 Cue-Tag-Contentグラフ上で実行することで,メモリアクセスに直接推論を統合する。 LoCoMoベンチマークとLongMemEvalベンチマークの実験は、強いベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2026-06-04T11:29:46Z)
• Thinking Ahead: Prospection-Guided Retrieval of Memory with Language Models [10.094292900770261]
  ロングホライゾンのパーソナライズには、対話履歴からユーザ固有の事実を検索する対話アシスタントが必要である。 実際には、多くの関連する事実は、密集した検索条件下でのクエリと意味的相似性が低いことが多い。 本稿では,記憶の保存方法から検索を分離するPGR(Prospection-Guided Retrieval)を提案する。
  論文  参考訳（メタデータ） (2026-05-13T22:57:54Z)
• MemSearch-o1: Empowering Large Language Models with Reasoning-Aligned Memory Growth in Agentic Search [59.98962867649009]
  本稿では,メモリ成長とリトラシングに基づくエージェント検索フレームワークであるMemSearch-o1を提案する。 MemSearch-o1はクエリからメモリシードトークンからきめ細かいメモリフラグメントを成長させ、コントリビューション関数を通じてメモリを再トレースし、深く洗練し、最終的にグローバルに接続されたメモリパスを再編成する。
  論文  参考訳（メタデータ） (2026-04-19T05:35:06Z)
• Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval [59.295767860331004]
  RF-Memは、親しみやすい不確実性誘導デュアルパスメモリレトリバーである。 それは、人間のようなデュアルプロセス認識をレトリバーに埋め込む。 一定の予算とレイテンシの制約の下で、ワンショット検索とフルコンテキスト推論を一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-10T06:31:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。