Fugu-MT 論文翻訳(概要): Recall Begets Recall: Recurrent Memory Ranking for Personalized LLMs

論文の概要: Recall Begets Recall: Recurrent Memory Ranking for Personalized LLMs

arxiv url: http://arxiv.org/abs/2610.16137v1
Date: Mon, 12 Oct 2026 03:53:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-19 07:28:39.381335
Title: Recall Begets Recall: Recurrent Memory Ranking for Personalized LLMs
Title（参考訳）: リコールがリコール: パーソナライズされたLLMのメモリランク付けを繰り返す
Abstract要約: 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。
参考スコア（独自算出の注目度）: 57.42635971273594
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Memory ranking is the stage in personalized Large Language Models (LLMs) that decides which of the candidate memories returned by a retriever enter the limited context, so that the answer is grounded in the right parts of the user's history. Existing memory rankers operate in a single pass, scoring each candidate once against the raw query and cutting the ranked list at a fixed top-K. The single pass misses memories that the answer needs but that look unrelated to the query on their own, and the fixed cut ignores how many memories the query needs. To address both problems, we propose ReMind, a memory ranker that runs as a recurrent and self-terminating loop, following the cognitive theory of memory search: each recalled item joins the cue for the next recall (compound cueing), and recall stops once enough has been collected for the task (metamemory monitoring). For compound cueing, ReMind adds the top-ranked memory to the query context at each step and reranks the remaining candidates under the expanded cue, so that each recall makes the cue more specific and later steps look for what is still missing rather than for what merely resembles the query. For metamemory monitoring, a sufficiency predictor estimates at each step whether the collected memories are enough to answer the query and stops the loop once they are, so that the number of selected memories adapts to each query. Experiments on public benchmarks show that ReMind achieves the best results compared to state-of-the-art memory rankers.
Abstract（参考訳）: メモリランキング(英: Memory ranking)は、検索者によって返される候補記憶のうちどれが限られた文脈に入るかを決定する、パーソナライズされたLarge Language Models (LLMs) のステージである。既存のメモリローダは1回のパスで動作し、各候補を生のクエリに対して1回得点し、固定されたトップKでランクリストをカットする。シングルパスは、答えが必要とするメモリを見逃すが、それ自体はクエリとは無関係に見え、固定カットはクエリに必要なメモリ数を無視する。両問題に対処するため,メモリ検索の認知理論に従ってリカレントおよび自己終端ループとして動作するメモリランカであるReMindを提案する。複合キューでは、ReMindは各ステップのクエリコンテキストに上位のメモリを追加し、拡張キューの下で残りの候補をリランクする。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なかどうかを各ステップで推定し、一度ループを停止することにより、選択したメモリの数がクエリに適応する。パブリックベンチマークの実験では、ReMindは最先端のメモリローダと比較して最高の結果が得られることが示されている。

関連論文リスト

Recall What Is Missing: Composing Evidence from Long-Term Agent Memory [24.592499205332413]
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。
論文参考訳（メタデータ） (2026-10-11T14:18:11Z)
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)
The Retriever Should Remember: Experience-Amortized Reranking for Long-Term Agent Memory [29.20695058395373]
我々は、以前取得した妥当性スコアを再利用可能な検索エクスペリエンスとして扱う、経験適応型リグレードフレームワークであるEARMを紹介する。 EARMは、スパースクエリ-メモリ関連スコアをオンラインマトリックスに格納し、因果行列の補完を通じて共有構造を学習し、新たに観測されたスコアの小さなセットと推定スコアを組み合わせて、残りの候補を再ランクする。長期会話記憶の実験では、観察と推定の混合がセマンティック検索よりも解の精度を最大6.62%向上させることが示された。
論文参考訳（メタデータ） (2026-08-24T03:42:03Z)
CoEvo-Mem: Co-Evolving Retrieval Policy and Memory Bank for LLM Agents [12.963751758893594]
本稿では,検索ポリシとメモリバンクを併用するクローズドループフレームワークを提案する。 textbfCoEvo-Memは7つのベンチマークで最先端のパフォーマンスを実現している。
論文参考訳（メタデータ） (2026-08-03T06:04:51Z)
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)
Causal Intervention-Based Memory Selection for Long-Horizon LLM Agents [0.33842793760651557]
制御された介入の下で,候補記憶がモデル応答に与える影響を推定する因果記憶選択手法を提案する。以上の結果から,CMIは,信頼性の高い長期記憶には関連性のみではなく,因果的有用性に基づくコンテキスト選択が必要であることが示唆された。
論文参考訳（メタデータ） (2026-05-17T20:21:55Z)
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)
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)
From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
大言語モデル(LLM)は会話エージェントで広く採用されている。 MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
論文参考訳（メタデータ） (2025-05-26T06:13:07Z)

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。