論文の概要: From Memory Hits to Answerable Evidence: Query-Conditioned Memory Compilation for Long-Term Agent Memory

• arxiv url: http://arxiv.org/abs/2610.23313v1
• Date: Fri, 16 Oct 2026 11:15:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.90168
• Title: From Memory Hits to Answerable Evidence: Query-Conditioned Memory Compilation for Long-Term Agent Memory
• Title（参考訳）: メモリから解答可能なエビデンス:長期エージェントメモリのためのクエリ定義メモリコンパイル
• Abstract要約: 本稿では,長期会話記憶のためのクエリ条件付きエビデンスコンパイルフレームワークであるMemCompileを提案する。 クエリが与えられたら、Address Planeは、コンパクトなソースリンクディスクリプタとキャパシティ対応のCellを通じて、関連するサポートを見つける。 そのエビデンス・プレーンは、補完的なパケットにまたがる有界なエビデンス予算を割り当て、限定的な追加サポートを認め、各選択されたパケットに関連する保持されたクレームを、応答可能なコンテキストにレンダリングする。
• 参考スコア（独自算出の注目度）: 9.354606038485644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term agent memory requires recovering answer-relevant evidence dispersed across turns and sessions. Existing systems increasingly use structured memories and adaptive retrieval, yet often pass retrieved or expanded units directly to the reader, coupling memory addressing with evidence presentation and leaving the final context redundant or incomplete. To address this gap, we propose MemCompile, a query-conditioned evidence compilation framework for long-term conversational memory. Given a query, the Address Plane locates relevant support through compact source-linked descriptors and capacity-aware Cells, while a normalization boundary resolves heterogeneous retrieval hits to stable SourcePacket identities. Its Evidence Plane then allocates a bounded evidence budget across complementary packets, admits limited additional support, and renders the retained claims associated with each selected packet into an answer-ready context. MemCompile achieves 80.52% Judge Accuracy on LoCoMo and extends the empirical quality-cost Pareto frontier to a higher-quality regime. Its strong performance on LongMemEval-S further suggests that the benefits of query-conditioned compilation generalize across long-term conversational-memory benchmarks.
• Abstract（参考訳）: 長期的なエージェントメモリは、ターンとセッションに分散した回答関連エビデンスを回復する必要がある。 既存のシステムは、構造化記憶と適応検索をますます利用しているが、検索または拡張されたユニットを直接リーダーに渡すことが多く、エビデンスに対処するメモリとエビデンスを結合し、最終的なコンテキストを冗長または不完全にしておく。 このギャップに対処するため,長期会話記憶のためのクエリ条件付きエビデンスコンパイルフレームワークであるMemCompileを提案する。 クエリが与えられた場合、Address Planeは、コンパクトなソースリンクディスクリプタとキャパシティ対応のCellを通じて関連するサポートを見つけ、正規化境界は異種検索ヒットを安定したSourcePacketIDに解決する。 そのエビデンス・プレーンは、補完的なパケットにまたがる有界なエビデンス予算を割り当て、限定的な追加サポートを認め、各選択されたパケットに関連する保持されたクレームを、応答可能なコンテキストにレンダリングする。 MemCompile は LoCoMo 上で 80.52% の精度を達成し,実証的な品質コストの高い Pareto フロンティアを高品質な体制に拡張した。 LongMemEval-Sの強力な性能は、クエリ条件コンパイルの利点が長期の会話型ベンチマークにまたがって一般化されることを示唆している。

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)
• 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)
• VideoTapestry: Query-Adaptive Memory Refinement for Multi-Agent Long-Video Understanding [98.11639588256874]
  VideoTapestryはトレーニング不要のマルチエージェントフレームワークで、粗大でクエリ駆動の洗練を通じて階層的なビデオメモリに適応する。 VideoTapestryの精度は17.2%、14.9%、9.8%、Benchは7.0%、LongVideoBench(Long Ego)、Video-MME(Long Ego)、Video-MME(Long Ego)である。
  論文  参考訳（メタデータ） (2026-10-05T16:44:25Z)
• PMMC: Prospective Multimodal Memory Compilation for Long-Term LVLM Agents [19.297991318803508]
  長期記憶は、LVLMエージェントが一貫性を維持し、拡張されたマルチモーダル相互作用間で情報を統合するために不可欠である。 本稿では,メモリ推論プロセスの一部をクエリ時間からメモリ統合時間にシフトさせるフレームワークであるProspective Multimodal Memory Compilationを提案する。 マルチモーダルな長期メモリベンチマーク実験により,クエリ時間トークンと遅延コストを低減しつつ,応答品質と視覚的エビデンスリコールを改善した。
  論文  参考訳（メタデータ） (2026-08-02T03:20:54Z)
• 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)
• AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
  複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。 AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
  論文  参考訳（メタデータ） (2026-01-28T08:09:49Z)
• 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。