論文の概要: Recall What Is Missing: Composing Evidence from Long-Term Agent Memory
- arxiv url: http://arxiv.org/abs/2610.15642v1
- Date: Sun, 11 Oct 2026 14:18:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.231249
- Title: Recall What Is Missing: Composing Evidence from Long-Term Agent Memory
- Title（参考訳）: 見逃していることをリコールする:長期エージェントメモリからエビデンスを構成する
- Abstract要約: 限られたコンテキスト予算の下では、長期的なエージェントは、個々の関連性のある記憶だけでなく、現在のクエリに十分な証拠を思い出さなければならない。
私たちはこの操作をMemPursuitでインスタンス化します。これは、スパース凸クエリ再構築の残余を、現在のメモリセットが欠落している部分の表現空間プロキシとして使用する、トレーニング不要のメカニズムです。
- 参考スコア（独自算出の注目度）: 24.592499205332413
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Under a limited context budget, a long-term agent must recall not merely memories that are individually relevant, but evidence that is collectively sufficient for the current query. Conventional memory access retrieves, scores, and truncates memories, often spending multiple context slots on redundant facts while leaving complementary evidence behind. We cast the read phase of long-term memory as query-conditioned evidence composition: each memory is valued by what it adds beyond the evidence already selected. We instantiate this operation with MemPursuit, a training-free mechanism that uses the residual of a sparse convex query reconstruction as a representation-space proxy for what the current memory set is missing. By reusing the query and candidate embeddings already available from retrieval, MemPursuit progressively composes nested evidence contexts without invoking a language model or cross-encoder to score each query--memory pair. The effectiveness of our method is verified on 3 popular benchmarks in comparison to strong baselines. In fixed-budget LoCoMo experiments, MemPursuit improves end-to-end accuracy by 7.2 percentage points at Top-10 and 5.5 percentage points at Top-20, with consistent gains across multiple memory frameworks, while achieving a 32.9$\times$ speedup in median reranking latency over fully batched BGE-v2-m3. Our implementation is available at https://github.com/FengQi-HITSZ/MemPursuit.
- Abstract（参考訳）: 限られたコンテキスト予算の下では、長期的なエージェントは、個々の関連性のある記憶だけでなく、現在のクエリに十分な証拠を思い出さなければならない。
従来のメモリアクセスは記憶を検索、スコア、切り離しし、しばしば複数のコンテキストスロットを冗長な事実に費やし、補完的な証拠を残している。
我々は、長期記憶の読み出しフェーズを、クエリ条件付エビデンス構成としてキャストした: それぞれのメモリは、すでに選択されたエビデンス以上の付加価値によって評価される。
私たちはこの操作をMemPursuitでインスタンス化します。これは、スパース凸クエリ再構築の残余を、現在のメモリセットが欠落している部分の表現空間プロキシとして使用する、トレーニング不要のメカニズムです。
検索から利用可能なクエリと候補埋め込みを再利用することによって、MemPursuitは言語モデルやクロスエンコーダを呼び出すことなく、ネストしたエビデンスコンテキストを段階的に構成し、クエリ-メモリのペアをスコアする。
本手法の有効性を3つのベンチマークで検証した。
固定予算のLoCoMo実験では、MemPursuitはTop-20で7.2ポイント、Top-20で5.5ポイント、複数のメモリフレームワークで一貫して増加し、完全なバッチ化されたBGE-v2-m3よりも32.9$\times$の中央値リカレント遅延を達成した。
私たちの実装はhttps://github.com/FengQi-HITSZ/MemPursuit.comで公開されています。
関連論文リスト
- Recall Begets Recall: Recurrent Memory Ranking for Personalized LLMs [57.42635971273594]
本稿では,リカレントかつ自己終端ループとして動作するメモリローカであるReMindを提案する。
複合キューのために、ReMindはクエリコンテキストにトップランクのメモリを追加します。
メタメモリ監視では、収集したメモリがクエリに応答するのに十分かどうかを各ステップで予測する。
論文 参考訳（メタデータ） (2026-10-12T03:53:47Z) - Test-Time Memory Construction [50.916768004131505]
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。
論文 参考訳（メタデータ） (2026-10-09T10:24:51Z) - 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) - Relevance Is Not Sufficiency: What Actually Closes the Evidence Gap in Long-Term Memory QA [24.98142670509958]
BFR(Budgeted Flat Reconstruction)は、固定フラットメモリストア上に2段階で十分なセットを構築する。
BFRは、近年のエージェントメモリシステムにおいて、応答品質とエビデンスカバレッジの両方において、同じストア適応よりも優れています。
論文 参考訳（メタデータ） (2026-10-07T03:09:08Z) - 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) - 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) - MemGuard: Preventing Memory Contamination in Long-Term Memory-Augmented Large Language Models [56.31411457917676]
本稿では,メモリ構築と検索において,機能的メモリ境界を保存するタイプアウェアメモリフレームワークであるMemGuardを紹介する。
幻覚と長期会話のベンチマーク全体で、MemGuardはメモリの信頼性を最大28.27%向上し、メモリトークンは以前の方法より5.8倍少ない。
論文 参考訳（メタデータ） (2026-05-27T06:04:19Z) - DeferMem: Query-Time Evidence Distillation via Reinforcement Learning for Long-Term Memory QA [3.56156695760535]
大規模言語モデル(LLM)エージェントは、依然として長期記憶疑問応答に苦慮している。
本稿では,この問題をハイリコール候補検索とクエリ条件のエビデンス蒸留に分離する長期記憶フレームワークであるDederMemを紹介する。
LoCoMoとLongMemEval-Sでは、DeferMemはQAの精度とメモリシステムの効率性において強力なベースラインを超えている。
論文 参考訳（メタデータ） (2026-05-21T12:36:46Z) - MemoryArena: Benchmarking Agent Memory in Interdependent Multi-Session Agentic Tasks [55.145729491377374]
メモリを持つエージェントの既存の評価は、通常、単独で記憶と行動を評価する。
マルチセッションメモリ-エージェント環境ループにおけるエージェントメモリのベンチマークのための統合評価ジムであるMemoryArenaを紹介する。
MemoryArenaは、Webナビゲーション、優先制約付き計画、プログレッシブ情報検索、シーケンシャルなフォーマルな推論を含む評価をサポートする。
論文 参考訳（メタデータ） (2026-02-18T09:49:14Z)
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。