論文の概要: RL-Guided Temporal Localization for Dual-Channel Retrieval in Long-Horizon Agent Memory

• arxiv url: http://arxiv.org/abs/2610.23598v1
• Date: Fri, 16 Oct 2026 15:16:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.984135
• Title: RL-Guided Temporal Localization for Dual-Channel Retrieval in Long-Horizon Agent Memory
• Title（参考訳）: RL-Guided Temporal Localization for Dual-Channel Retrieval in Long-Horizon Agent Memory
• Abstract要約: TIDER (Temporal Interval-driven Dual-channel Retrieval) は、タイムアウェアなエージェント検索フレームワークである。 ヒトのてんかん記憶における時間的連続効果に触発され, TIDERを提案する。 TIDERは1.7Bの軽量なロケータにより、両方のロングホライゾンメモリベンチマークで最先端の精度を達成する。
• 参考スコア（独自算出の注目度）: 47.82947494412673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-aware retrieval is crucial for long-horizon LLM agents to effectively leverage ever-growing long-term memory. Existing methods focus on lexical or semantic similarity, leading to target memories being crowded out by temporally mismatched yet semantically similar candidates. Even time-aware approaches inject temporal cues only during memory organization or answer generation, overlooking temporal constraints at the retrieval stage, where candidate selection occurs - the root cause of the displacement. Inspired by the temporal contiguity effect in human episodic memory, we propose TIDER (Temporal Interval-driven Dual-channel Evidence Retrieval), a time-aware agentic retrieval framework. Central to TIDER is a reinforcement learning (RL)-trained temporal interval locator that infers the temporal windows in which the evidence lies. RL optimizes window localization as a discrete, non-differentiable retrieval decision, using composite rewards to convert sparse answer supervision into fine-grained retrieval feedback. These temporal windows first define the temporal retrieval channel; the retrieved candidates are then merged with results from the semantic channel and reranked by proximity to the windows. This temporal grounding enables TIDER to retrieve temporally aligned evidence that would otherwise be drowned out by the volume of semantically similar yet temporally mismatched memories. With a lightweight 1.7B locator, TIDER achieves state-of-the-art accuracy on both long-horizon memory benchmarks - 61.52% on LifeBench (+8.82%) and 78.96% on LoCoMo (+3.66%) - which indicates that temporal cues are crucial for pinpointing target evidence amid a vast pool of semantically similar historical events in long-term daily-life memory.
• Abstract（参考訳）: 長期記憶を効果的に活用するためには, 時間認識検索が重要である。 既存の方法は語彙的あるいは意味的類似性に重点を置いており、時間的にミスマッチするが意味的に類似した候補によってターゲット記憶が混雑する。 タイムアウェアアプローチでさえ、記憶組織や応答生成の間だけ時間的手がかりを注入し、候補選択が発生する検索段階で時間的制約を見渡す。 本研究では,時間認識型エージェント検索フレームワークであるTIDER(Temporal Interval-driven Dual-channel Evidence Retrieval)を提案する。 TIDERの中心は、強化学習(RL)で訓練された時間間隔ロケータで、証拠が存在する時間窓を推測する。 RLはウィンドウローカライゼーションを離散的かつ微分不可能な検索決定として最適化し、合成報酬を用いてスパース回答監視をきめ細かな検索フィードバックに変換する。 これらの時間的ウィンドウは、まず時間的検索チャネルを定義し、検索された候補は、セマンティックチャネルの結果とマージされ、ウィンドウに近接して再ランクされる。 この時間的根拠は、TIDERが時間的に整列した証拠を回収することを可能にする。 TIDERは軽量な1.7Bロケータで、LifeBench (+8.82%) の61.52%、LoCoMo (+3.66%) の78.96%という2つの長期水平メモリベンチマークの最先端精度を実現している。

関連論文リスト

• Temporal Evidence Forests for Long-Horizon Multi-Party Conversational Memory [31.801129799758044]
  長期記憶は、永続的な相互作用とパーソナライズされた支援をサポートするためにLLMベースのエージェントで広く採用されている。 本稿では,T-Memを提案する。T-Memは時間的構造に基づくメモリフレームワークで,インタラクションを保存し,2つの時間的メカニズムを通じてクエリ関連エビデンスを整理する。
  論文  参考訳（メタデータ） (2026-10-09T02:05:38Z)
• Where to Look and What to Use: Retrieve-Localize-Generate for Long-Term Conversational Memory Question Answering [42.31517185994942]
  RAGは、外部知識にアクセスすることによって、大きな言語モデルで質問に答えることを可能にする。 既存の方法は、時間的に離れたセッションに散在する断片化されたエビデンスと、中途半端な効果を誘発する検索セッション内のノイズのある内容の2つの主要な課題に悩まされている。 本稿では,長期会話メモリQAのための検索・ローカライズ・ジェネレーション統合フレームワークであるMemLocを提案する。
  論文  参考訳（メタデータ） (2026-09-07T06:32:12Z)
• 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)
• 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)
• Beyond Dialogue Time: Temporal Semantic Memory for Personalized LLM Agents [68.84161689205779]
  テンポラルセマンティックメモリ(TSM)は、ポイントワイドメモリのセマンティックタイムをモデル化するメモリフレームワークである。 TSMは既存の手法を一貫して上回り、最大12.2%の精度向上を実現している。
  論文  参考訳（メタデータ） (2026-01-12T12:24:44Z)
• 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)
• Temporal Memory Relation Network for Workflow Recognition from Surgical Video [53.20825496640025]
  本研究では, 長期および多スケールの時間パターンを関連づける, エンドツーエンドの時間メモリ関係ネットワーク (TMNet) を提案する。 我々はこのアプローチを2つのベンチマーク手術ビデオデータセットで広範囲に検証した。
  論文  参考訳（メタデータ） (2021-03-30T13:20:26Z)

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。