論文の概要: From Relevant Memories to Sufficient Evidence: Rethinking Memory Utilization in LLM Agents
- arxiv url: http://arxiv.org/abs/2610.22668v1
- Date: Thu, 15 Oct 2026 21:34:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.678811
- Title: From Relevant Memories to Sufficient Evidence: Rethinking Memory Utilization in LLM Agents
- Title（参考訳）: 記憶から十分な証拠へ:LLM剤の記憶利用を再考する
- Abstract要約: 本稿では,クエリ固有のエビデンスセットの構築として,メモリ利用を再構築するフレームワークであるQEMemを提案する。
QEMemは3つの補完メカニズムを統合している。
QEMemはメモリ形成を変更せずに既存のメモリストアで動作し、Claude Opus 4.5でLoCoMo上で91.43%のLCM-judge精度を達成する。
- 参考スコア（独自算出の注目度）: 29.610089495968662
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-term memory enables LLM agents to reuse past experiences, yet retrieving relevant memories does not necessarily provide sufficient evidence for answering a query. Essential information may remain fragmented across memory records, obscured by abstraction, or disconnected from the relations required for reasoning. We identify this relevance-sufficiency gap and propose QEMem, a framework that reformulates memory utilization as the construction of query-specific evidence sets, shifting the focus from individual retrieval relevance to collective evidential support. QEMem integrates three complementary mechanisms: query-guided discovery retrieves evidence across multiple memory granularities; source-grounded reification organizes it into structured ViewCards with explicit evidential roles and source references; and sufficiency-guided refinement selectively recovers missing information. Operating on existing memory stores without modifying memory formation, QEMem achieves 91.43% LLM-judge accuracy on LoCoMo with Claude Opus 4.5, outperforming the strongest evaluated baseline, MemR$^3$, by 7.6 percentage points and NEMORI by 10.7 points under a shared memory store. Further analyses demonstrate improved evidence coverage and strong performance on questions requiring cross-session evidence integration.
- Abstract（参考訳）: 長期記憶により、LLMエージェントは過去の経験を再利用できるが、関連する記憶を取得することは、クエリに答える十分な証拠を提供するとは限らない。
基本的な情報はメモリレコード間で断片化され、抽象化によって隠蔽されたり、推論に必要な関係から切り離されたりすることができる。
この関連性と十分性のギャップを識別し、クエリ固有のエビデンスセットの構築としてメモリ使用率を再構築するフレームワークであるQEMemを提案し、個々の検索関連性から集合的な明示的サポートへと焦点を移した。
QEMemは3つの補完メカニズムを統合している: クエリ誘導発見は複数のメモリの粒度にわたるエビデンスを検索し、ソース基底化は明示的な役割とソース参照を持つ構造化されたViewCardに編成し、サフィシアン誘導精製は行方不明情報を選択的に回収する。
QEMemはメモリ形成を変更せずに既存のメモリストアで動作し、Claude Opus 4.5でLoCoMo上で91.43% LLM-judge精度を達成し、最も評価の高いベースラインであるMemR$^3$を7.6ポイント、NEMORIを10.7ポイント上回る。
さらなる分析は、クロスセッションエビデンス統合を必要とする質問に対して、より優れたエビデンスカバレッジと強力なパフォーマンスを示す。
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) - 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) - Understanding and Mitigating Inference-Time Overreliance Using Agentic Memory [9.116862679142574]
メモリ過信と呼ばれる障害モードについて検討する。
ベンチマークやメモリアーキテクチャ全体では、過去の経験が現在のタスクに転送されるときにメモリが有用であるが、エビデンスの一部だけが転送されると誤解を招く可能性がある。
この発見に動機づけられたMEMTRIMは,書き込み時にメモリエビデンスをインデックス化し,読み出し時に再利用を制御するための,プラグアンドプレイフレームワークである。
論文 参考訳（メタデータ） (2026-10-05T19:48:54Z) - Remember by Asking: Retrieval-Induced Memory Evolution for LLM Agents [10.809831681526058]
RIMEは、メモリ構造をモノリシック圧縮からエビデンス中心の統合に移行する、検索誘起メモリフレームワークである。
推論時には、圧縮されたメモリが唯一の証拠源というよりは、プライマリとして機能する。
Qwen3-235B-A22B と GPT-5.6 Sol による LoCoMo の実験は、RIME が常に最高の性能を達成することを示した。
論文 参考訳（メタデータ） (2026-09-28T06:57:46Z) - Retrieval-Driven Memory Reconsolidation for Long-Term LLM Agents [39.55670043123564]
既存のメモリシステムは、新しい情報が到着したときにメモリを更新する。
検索フィードバックは、将来のアクセスのためにメモリを再編成するために利用されることはめったにない。
LLMエージェントの長期記憶を継続的に進化させるフレームワークである textbfREALM を提案する。
論文 参考訳（メタデータ） (2026-09-13T05:17:37Z) - Harness the Memory: A Holistic Evaluation of Memory Substrates in Memory Agents [97.19033877543522]
本稿では,メモリ拡張剤のメモリ基板の制御ハーネス評価について述べる。
統一されたハーネスの下で26のパフォーマンスと効率のメトリクスを計測する。
これらの知見は、アダプティブエージェントメモリシステムに必要なコンポーネントとして、基質ルーティングを動機付けている。
論文 参考訳（メタデータ） (2026-08-15T03:29:48Z) - 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) - Infini Memory: Maintainable Topic Documents for Long-Term LLM Agent Memory [19.802226925602927]
長期的なLLMエージェントは、変化する事実を追跡し、セッション間で関連する証拠を提供する、永続的なメモリを必要とする。
Infini Memoryは、エージェントメモリをトピック構造化文書として扱う、保守可能なテキストベースの永続メモリアーキテクチャである。
論文 参考訳（メタデータ） (2026-06-09T10:31:51Z) - 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) - MemSearch-o1: Empowering Large Language Models with Reasoning-Aligned Memory Growth in Agentic Search [59.98962867649009]
本稿では,メモリ成長とリトラシングに基づくエージェント検索フレームワークであるMemSearch-o1を提案する。
MemSearch-o1はクエリからメモリシードトークンからきめ細かいメモリフラグメントを成長させ、コントリビューション関数を通じてメモリを再トレースし、深く洗練し、最終的にグローバルに接続されたメモリパスを再編成する。
論文 参考訳（メタデータ） (2026-04-19T05:35:06Z) - 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)
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。