Fugu-MT 論文翻訳(概要): Test-Time Memory Construction

論文の概要: Test-Time Memory Construction

arxiv url: http://arxiv.org/abs/2610.13348v1
Date: Fri, 09 Oct 2026 10:24:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-13 04:06:29.523359
Title: Test-Time Memory Construction
Title（参考訳）: テストタイムメモリの構築
Abstract要約: 大きな言語モデル(LLM)は、長いインタラクション履歴に関する質問に答えるのに苦労しています。既存のメモリシステムは通常、ユーザクエリが観測される前に、オフラインで洗練されたメモリ表現を構築し維持する。テスト時間メモリ構築フレームワークであるT$2$Memを提案する。
参考スコア（独自算出の注目度）: 50.916768004131505
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Large Language Models (LLMs) struggle to answer questions over long interaction histories, where relevant evidence may be scattered across distant sessions. Existing memory systems typically construct and maintain sophisticated memory representations offline, before user queries are observed, incurring substantial overhead and limiting their ability to adapt memory construction to query-specific information needs. In this paper, we propose T$^2$Mem, a Test-Time Memory construction framework that defers memory construction to inference and progressively builds memory along the reasoning process. Specifically, T$^2$Mem extracts lightweight episode-level metadata offline to capture key events and temporal associations as retrieval cues, while retaining links to the original interactions to facilitate the reconstruction of dependencies across episodes. At test time, the LLM adaptively retrieves and organizes metadata and raw interactions, progressively constructing query-specific memory as reasoning unfolds. Experiments on LoCoMo and LongMemEval show the effectiveness of T$^2$Mem by consistently outperforming strong baselines across different backbone LLMs while substantially reducing the overhead of memory construction. Further analysis demonstrates that deferring memory construction to inference enables the memory construction process to dynamically adapt to the information needs of individual queries. All code is available at https://github.com/OpenBMB/T2Mem.
Abstract（参考訳）: 大きな言語モデル(LLM)は、長い相互作用履歴に関する質問に答えるのに苦労する。既存のメモリシステムは、ユーザクエリが観測される前に、通常、洗練されたメモリ表現をオフラインで構築および維持し、かなりのオーバーヘッドを発生させ、クエリ固有の情報要求にメモリ構築を適用する能力を制限する。本稿では,テスト時間メモリ構築フレームワークであるT$^2$Memを提案する。具体的には、T$^2$Memは、軽量なエピソードレベルのメタデータをオフラインに抽出し、主要なイベントや時間的関連を検索キューとしてキャプチャし、元のインタラクションへのリンクを保持し、エピソード間の依存関係の再構築を容易にする。テスト時には、LLMはメタデータと生のインタラクションを適応的に検索し、整理し、論理的展開としてクエリ固有のメモリを段階的に構築する。 LoCoMo と LongMemEval の実験は、異なるバックボーン LLM の強いベースラインを一貫して上回り、メモリ構成のオーバーヘッドを大幅に低減することで、T$^2$Mem の有効性を示す。さらに、メモリ構築を推論に遅延させることで、メモリ構築プロセスが個々のクエリの情報要求に動的に適応できることを示す。すべてのコードはhttps://github.com/OpenBMB/T2Memで入手できる。

関連論文リスト

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)
Beyond Memory Construction: Rethinking Memory Access for LLM-based Conversational Agents [15.388928886536716]
Threaderは、メモリ構築から、生のインタラクションに対する効率的な構造認識アクセスへと焦点を移すメモリシステムである。応答精度とエビデンスリコールを継続的に改善し、メモリ構築オーバーヘッドを大幅に削減する。
論文参考訳（メタデータ） (2026-09-27T05:07:21Z)
LeanMem: Simple and Efficient Long-Term Memory for LLM Agents [21.43772050088654]
軽量な長期記憶フレームワークであるLeanMemを提案する。推論中、LeanMemは動的にメモリタイプを選択し、クエリ固有のエビデンス要求に従って検索予算を割り当てる。 GPT-4.1-miniとQwen3-8BのLoCoMoとLongMemEval-Sでは、LeanMemは全ての設定において最強のメモリベースベースラインよりも精度を向上させる。
論文参考訳（メタデータ） (2026-08-04T10:59:49Z)
Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。 MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
論文参考訳（メタデータ） (2026-07-15T08:32:40Z)
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)
MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。 MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
論文参考訳（メタデータ） (2026-03-19T10:15:59Z)
Evaluating Memory Structure in LLM Agents [39.55225799412317]
StructMemEvalは、エージェントが実際にリコールするだけでなく、長期的なメモリを整理する能力をテストするベンチマークである。私たちは、人間が特定の構造で知識を整理することで解決する一連のタスクを集めます。メモリエージェントがメモリの整理の仕方を変えると、メモリエージェントがそれらを確実に解決できるのに対し、単純な検索拡張LDMはこれらのタスクに苦労する。
論文参考訳（メタデータ） (2026-02-11T17:32:23Z)
Evaluating Long-Term Memory for Long-Context Question Answering [100.1267054069757]
質問応答タスクにアノテートした合成長文対話のベンチマークであるLoCoMoを用いて,メモリ拡張手法の体系的評価を行う。以上の結果から,メモリ拡張アプローチによりトークン使用率が90%以上削減され,競争精度が向上した。
論文参考訳（メタデータ） (2025-10-27T18:03:50Z)
ArcMemo: Abstract Reasoning Composition with Lifelong LLM Memory [21.4675019810992]
概念レベルのメモリは再利用され、ソリューショントレースから抽出されたモジュラー抽象化が自然言語に格納される。我々は、合成一般化と抽象的推論を強調するベンチマークARC-AGIを評価する。抽象概念は最も一貫したメモリ設計であり、全てのテストされた推論計算スケールでベースラインを上回ります。
論文参考訳（メタデータ） (2025-09-04T17:54:19Z)

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。