論文の概要: EGCForest: Structured Agent Memory Organization for Enterprise Group Chats
- arxiv url: http://arxiv.org/abs/2610.19836v1
- Date: Wed, 14 Oct 2026 09:07:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:16.06401
- Title: EGCForest: Structured Agent Memory Organization for Enterprise Group Chats
- Title（参考訳）: EGCForest: エンタープライズグループチャットのための構造化エージェントメモリ組織
- Abstract要約: エンタープライズグループチャットは、プロジェクトの進捗、決定、タスクオーナシップ、その他の企業エージェントにとって価値のある組織情報を記録する。
信頼できる検索は、証拠がインターリーブされたスレッド、チャンネル、時間にまたがり、話者に意味と権限が与えられているため、困難である。
EGCForestは、エンタープライズグループチャットのための新しいマルチビュー階層型メモリフレームワークである。
- 参考スコア（独自算出の注目度）: 15.099995905952847
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Enterprise group chats record project progress, decisions, task ownership, and other organizational information valuable to enterprise agents. Reliable retrieval is challenging because evidence spans interleaved threads, channels, and time, with meaning and authority conditioned on the speaker. Neither RAG's independent chunk retrieval nor memory systems' summary-based consolidation can reliably recover such distributed evidence. We present EGCForest, a novel multi-view hierarchical memory framework for enterprise group chats. EGCForest organizes an immutable message log into three complementary forests: a Channel forest for temporal workflows, an Actor forest for speaker-conditioned context, and an Artifact forest for deliverable lifecycles. Cross-view connections are enabled by a Placement Map and sparse structural bridges. Built on this memory backbone, EGCForest retrieves and assembles evidence by jointly leveraging message-level relevance, hierarchical context from forest summaries, and cross-view links, recovering distributed evidence. Experiments on three enterprise-chat benchmarks show that EGCForest consistently outperforms RAG and memory-system baselines, improving answer accuracy by up to 20.85 points over MemOS while supporting efficient online retrieval.
- Abstract（参考訳）: エンタープライズグループチャットは、プロジェクトの進捗、決定、タスクオーナシップ、その他の企業エージェントにとって価値のある組織情報を記録する。
信頼できる検索は、証拠がインターリーブされたスレッド、チャンネル、時間にまたがり、話者に意味と権限が与えられているため、困難である。
RAGの独立したチャンク検索も、メモリシステムの要約に基づく統合も、そのような分散された証拠を確実に回収することができない。
EGCForestは、エンタープライズグループチャットのための新しいマルチビュー階層型メモリフレームワークである。
EGCForestは、不変メッセージログを、一時的なワークフローのためのチャネルフォレスト、話者条件付きコンテキストのためのアクターフォレスト、デリバリ可能なライフサイクルのためのアーティファクトフォレストという、3つの補完的なフォレストにまとめている。
クロスビュー接続は、配置マップとスパース構造橋によって実現される。
このメモリバックボーン上に構築されたEGCForestは、メッセージレベルの関連性、フォレストサマリーからの階層的コンテキスト、およびクロスビューリンクを併用して、エビデンスを検索し、組み立てる。
3つのエンタープライズチャットベンチマークの実験によると、EGCForestはRAGとメモリシステムベースラインを一貫して上回り、MemOS上で最大20.85ポイントの回答精度を改善し、効率的なオンライン検索をサポートする。
関連論文リスト
- 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) - CABLE: Extending the Reach of Memory Retrieval via Complementary Antecedent-Based Linking and Expansion [21.692254412768936]
リンク構築は、代わりに、レトリバー補足アソシエーションのスパースセットを優先すべきである。
CABLEは、ホストレトリバーの直接的なセマンティックリーチを拡張するためにリンクを構築するプラグイン拡張である。
CABLEは、評価されたシステムレベル設定毎に、平均LLM-judgeスコアを高くする。
論文 参考訳（メタデータ） (2026-08-18T15:40:29Z) - HMARS: A Hierarchical Multi-Agent Memory System for Long-Context Reasoning [17.783618926697066]
長いコンテキスト推論は、文書、対話、相互作用履歴に散在する証拠にアクセス、検索、統合するモデルを必要とする。
本研究では,長いコンテキストをフラットな検索コーパスではなく管理メモリとして扱う階層型マルチエージェントメモリシステムであるHMARSを提案する。
論文 参考訳（メタデータ） (2026-06-03T07:15:11Z) - EfficientGraph-RAG: Structured Retrieval-State Management for Cross-Task Retrieval-Augmented Generation [45.66803833786235]
検索拡張世代は、外部知識で大規模言語モデルを構築する標準的な方法となっている。
EfficientGraph-RAGは、3つの評価されたLongBench検索スタイルのサブセットで平均された回答品質の指標で第1位である。
論文 参考訳（メタデータ） (2026-05-25T03:08:53Z) - NaviRAG: Towards Active Knowledge Navigation for Retrieval-Augmented Generation [50.16741209529908]
NaviRAGは、パッシブセグメント検索からアクティブな知識ナビゲーションに移行する新しいフレームワークである。
NaviRAGは従来のRAGベースラインよりも検索リコールとエンドツーエンドの応答性能を一貫して改善することを示す。
論文 参考訳（メタデータ） (2026-04-14T14:07:01Z) - Transforming External Knowledge into Triplets for Enhanced Retrieval in RAG of LLMs [55.78708003681562]
Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)における幻覚を、生成時に外部知識を取り入れることで緩和する。
既存のRAGアプローチは通常、コンテキストとしてテキストフラグメントを検索し、非構造化する。
本稿では,三重項に基づく検索フレームワークTri-RAGを提案する。
論文 参考訳（メタデータ） (2026-04-14T11:36:29Z) - CodaRAG: Connecting the Dots with Associativity Inspired by Complementary Learning [50.98972985136333]
CodaRAGは、受動的検索からアクティブな連想発見へと進化するフレームワークである。
CodaRAGは、検索リコールで7-10%、生成精度で3-11%という絶対的なゲインを達成する。
論文 参考訳（メタデータ） (2026-04-12T02:50:40Z) - Beyond RAG for Agent Memory: Retrieval by Decoupling and Aggregation [22.803751188961865]
検索は類似性マッチングを超えて移動し、代わりに潜在コンポーネントを操作するべきだと我々は主張する。
我々は、無傷ユニットの階層を構築し、検索可能な高レベルノード組織を維持するxMemoryを提案する。
論文 参考訳（メタデータ） (2026-02-02T12:04:58Z) - BookRAG: A Hierarchical Structure-aware Index-based Approach for Retrieval-Augmented Generation on Complex Documents [11.158307125677375]
Retrieval-Augmented Generation (RAG)は、外部の複雑なドキュメントから非常に関連性の高い情報をクエリする。
本稿では,階層構造を持つ文書を対象とした新しいRAG手法であるBookRAGを紹介する。
BookRAGは最先端のパフォーマンスを実現し、検索リコールとQA精度の両方において、ベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2025-12-03T03:40:49Z) - ReTreever: Tree-based Coarse-to-Fine Representations for Retrieval [64.44265315244579]
そこで本研究では,様々なレベルで参照文書を整理し,表現するためのツリーベース手法を提案する。
我々の手法はReTreeverと呼ばれ、クエリと参照ドキュメントが同様のツリーブランチに割り当てられるように、バイナリツリーの内部ノード毎のルーティング関数を共同で学習する。
我々の評価では、ReTreeverは一般的に完全な表現精度を保っている。
論文 参考訳（メタデータ） (2025-02-11T21:35:13Z)
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。