論文の概要: TEM: Temporal State Tracking Memory for Large Language Model Agents
- arxiv url: http://arxiv.org/abs/2610.21900v1
- Date: Thu, 15 Oct 2026 13:54:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:09:33.097784
- Title: TEM: Temporal State Tracking Memory for Large Language Model Agents
- Title（参考訳）: TEM:大規模言語モデルエージェントのための時間状態追跡メモリ
- Abstract要約: TEMは、事実をソースにリンクしたバージョン付きレコードとして保存する。
関連するバージョンを検索し、ソース順に配置し、証拠を回答モデルに渡す前に履歴をラベル付けする。
- 参考スコア（独自算出の注目度）: 0.6117371161379209
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An agent's memory must remain useful as information changes across conversations. A new fact may replace an earlier value without making that value irrelevant to a later question. We present Temporal State Tracking Memory (TEM), a training-free framework for tracking these changes. TEM stores facts as versioned records linked to their sources. It retrieves relevant versions, places them in source order and labels historical records before passing the evidence to the answer model. Event memory and original dialogue turns provide details missing from structured facts. We evaluated TEM on 420 questions drawn from 600 sessions involving 60 personas. Across four open-weight models, key-entity hit rates reached 75.71-97.62% overall and 96.67-100.00% on the historical-residence subset. Adding historical labels to otherwise identical, source-ordered facts increased overall hit rates by 17.14-55.95 percentage points. The evidence was compact: 94-118 tokens per answer, or 48.75-56.73% less than session-aware retrieval-augmented generation (RAG). A further evaluation on 1,540 LoCoMo questions tested hybrid memory under a fixed evidence budget. TEM exceeded session-aware RAG with both backbones; conservative score differences were 7.92 and 10.58 percentage points. The results support preserving fact versions and exposing their temporal status to the generator when answering questions about repeatedly updated information.
- Abstract（参考訳）: エージェントの記憶は、会話間の情報交換として有用でなければならない。
新しい事実は、その価値を後の質問に無関係にすることなく、以前の価値を置き換えることができる。
これらの変化を追跡するためのトレーニング不要のフレームワークであるTEM(Temporal State Tracking Memory)を提案する。
TEMは、事実をソースにリンクしたバージョン付きレコードとして保存する。
関連するバージョンを検索し、ソース順に配置し、証拠を回答モデルに渡す前に履歴をラベル付けする。
イベントメモリと元の対話は、構造化された事実から欠落した詳細を提供する。
我々は600のセッションから抽出した420の質問に対して,60人のペルソナを含むTEMを評価した。
4つのオープンウェイトモデルの中で、キーエンタリティのヒット率は75.71-97.62%、96.67-100.00%に達した。
歴史的ラベルが同じで、ソース順の事実が加わったことで、全体のヒット率は17.14-55.95ポイント増加した。
94-118のトークン、または48.75-56.73%はセッション認識検索増強世代(RAG)よりも少ない。
さらに1,540のLoCoMo質問に対する評価では、固定されたエビデンス予算の下でハイブリッドメモリをテストした。
TEMは両背骨のセッション認識RAGを上回り、保守的なスコア差は7.92点と10.58点であった。
結果は、繰り返し更新された情報に関する質問に答える際に、事実バージョンを保存することをサポートし、時間的ステータスをジェネレータに公開する。
関連論文リスト
- Memory Echo in Single-Agent Long-Term Memory: Lifecycle Evaluation and Provenance-Guided Mitigation [21.115286716539707]
繰り返し検索と書き込みバックは、ある歴史的クレームが複数の検索位置を占め、独立した証拠のない現在の回答に影響を与える可能性がある。
既存の作業では、検索、更新、質問応答を調べ、同じソースレコードの蓄積と修正後の永続化を過小評価している。
Family-Provenance--Authorityフレームワークは、権威的な証拠で最終回答を制約する。
その結果、エージェントメモリは、過去の情報を繰り返して現在の決定を下すことなく、トレース可能な履歴を保存できることが示唆された。
論文 参考訳（メタデータ） (2026-10-13T05:44:32Z) - 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) - 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) - MINDSET: Energy-based Schema Evolution for Long Conversational Agent Memory [0.0]
有用なメモリシステムは、現在の状態と過去の状態の両方を保存する必要がある。
本稿では,会話を不変のエピソードとして記憶するメモリコントローラMINDSETを紹介する。
再現可能な850の質問に対して,MINDSETを5つのメモリシステムに対して評価した。
論文 参考訳（メタデータ） (2026-10-06T15:55:42Z) - Contract Memory Compiler: Resolve, Then Traverse [13.57955669787057]
外部メモリでは、言語モデルエージェントが応答モデルのコンテキストウィンドウの履歴に関する質問に答えるのに時間がかかりすぎる。
この更新依存型エビデンス選択問題について検討し,CMC(Contract Memory Compiler)を導入する。
CMCはFactConsolidationで最先端のマルチホップ精度を達成し、全体の78.25%、262Kで61.0%に達した。
論文 参考訳（メタデータ） (2026-09-26T14:17:22Z) - Memory Control Signals Emerge Before Action in Long Horizon Agents [55.84813053778976]
各エージェントアクションの直前に隠された状態を調べ、圧縮とリコールの要求がモデルの内部表現にすでにエンコードされていることを確認する。
本研究では,状態誘導圧縮と外部エビデンス検索を組み合わせたPreaction Memory with Evidence Retrieval (PaMER)を提案する。
論文 参考訳（メタデータ） (2026-09-23T03:23:34Z) - What Should an Agent Forget? Separating What Is Stored from What Is Used [14.434131011155545]
永続的な言語エージェントは、時間にわたって利用できるように格納されたエクスペリエンスを必要とします。
RD-Forgetは、エージェントが保存するものと使用するものとを分離する、トレーニング不要のフレームワークです。
論文 参考訳（メタデータ） (2026-09-09T14:48:09Z) - A Graph-Native Bitemporal Memory Store for Conversational AI Agents [0.0]
HNSWベクトルインデックスとフルバイテンポラルデータモデルで拡張したエージェントローカルなNeo4jプロパティグラフについて述べる。
各メモリは、2つの閉時間間隔を持つバージョニングされたコンテンツノードにリンクされた不変のアイデンティティノードとして格納される。
このシステムは,長期記憶を強調するために設計された6つの質問タイプにまたがる500クエストベンチマークであるLongMemEvalで評価する。
論文 参考訳（メタデータ） (2026-07-29T06:40:52Z) - MINTEval: Evaluating Memory under Multi-Target Interference in Long-Horizon Agent Systems [69.06764269022925]
本研究では,現在の記憶増強剤が現実的,干渉重大,長期的設定において果たす役割について検討する。
MINTEvalは、頻繁に更新される情報を備えた、長く高度に相互接続されたコンテキストを特徴とするベンチマークである。
MINTEvalは128.8kのトークンを平均で1インスタンスあたり1.8Mのトークンに拡張し、15.6kの質問応答ペアを持つ。
論文 参考訳（メタデータ） (2026-05-18T15:43:35Z) - Memory-T1: Reinforcement Learning for Temporal Reasoning in Multi-session Agents [80.33280979339123]
強化学習(RL)を用いた時間認識メモリ選択ポリシーを学習するフレームワークであるMemory-T1を紹介する。
Time-Dialogベンチマークでは、Memory-T1が7Bモデルを67.0%に引き上げ、オープンソースモデルの新たな最先端パフォーマンスを確立した。
論文 参考訳（メタデータ） (2025-12-23T06:37:29Z)
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。