論文の概要: Do Conversational Agents Need Explicit Memory? A Controlled Comparison with Raw-History Retrieval

• arxiv url: http://arxiv.org/abs/2610.24671v1
• Date: Sat, 17 Oct 2026 12:44:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 17:02:48.21821
• Title: Do Conversational Agents Need Explicit Memory? A Controlled Comparison with Raw-History Retrieval
• Title（参考訳）: 会話エージェントは明示的な記憶を必要とするか? : 原史検索との比較
• Abstract要約: 明示的なメモリシステムは、会話履歴を将来のアクセスを改善するために永続的な表現に変換する。 本研究は、6つの最先端明示的メモリシステムと生史RAGを比較した。 原生史のRAGベースラインに対する一貫した優位性は見つからない。
• 参考スコア（独自算出の注目度）: 37.055995647350784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Explicit memory systems transform conversation history into persistent representations intended to improve future access, often at substantial construction cost. Yet it remains unclear whether this added complexity yields better answer accuracy than retrieving directly from raw history. This study compares six state-of-the-art explicit memory systems with raw-history RAG on LongMemEval-S and BEAM-100K under original and controlled retrieval settings. We find only localized gains for particular question types and tight run-time context budgets, with no consistent advantage over strong raw-history RAG baselines. Oracle retrieval shows that some systems fail to preserve answer-supporting information during explicit memory construction, while others preserve it but fail to retrieve it effectively, despite construction costs reaching hours per conversation. Our findings suggest that while many existing memory systems for AI agents emphasize increasingly elaborate explicit memory construction, they are often evaluated without strong controlled comparisons to raw-history RAG and may underemphasize retrieval. Retrieval remains a major bottleneck when useful information is preserved, suggesting that improving access to existing information may be at least as important as constructing richer explicit memory.
• Abstract（参考訳）: 明示的なメモリシステムは、会話履歴を将来のアクセスを改善するための永続的な表現に変換する。 しかし、この追加された複雑さが、生の履歴から直接取り出すよりも解答精度を向上するかどうかは不明だ。 本研究では,LongMemEval-S とBEAM-100K の生履歴RAGを,検索設定と制御条件下で比較した。 特定の質問タイプや厳密な実行時のコンテキスト予算に対してのみ局所的なゲインを見出すことができ、RAGベースラインに対する一貫した優位性はない。 Oracleの検索は、明示的なメモリ構築中に応答支援情報の保存に失敗するシステムもあれば、会話に何時間もかかる建設コストにもかかわらず、それを効果的に回収するシステムもあることを示している。 以上の結果から,AIエージェントの既存のメモリシステムは,より精巧な明示的メモリ構築を重視しつつも,生史RAGと比較して強い制御を受けずに評価され,検索が過小評価されることが示唆された。 Retrievalは有用な情報を保存する際にも大きなボトルネックであり、既存の情報へのアクセスを改善することは、よりリッチな明示的なメモリを構築するのと同じくらい重要であることを示唆している。

関連論文リスト

• 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)
• 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)
• Beyond Memory Construction: Rethinking Memory Access for LLM-based Conversational Agents [15.388928886536716]
  Threaderは、メモリ構築から、生のインタラクションに対する効率的な構造認識アクセスへと焦点を移すメモリシステムである。 応答精度とエビデンスリコールを継続的に改善し、メモリ構築オーバーヘッドを大幅に削減する。
  論文  参考訳（メタデータ） (2026-09-27T05:07:21Z)
• 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)
• REAL: A Reasoning-Enhanced Graph Framework for Long-Term Memory Management of LLMs [17.526686616588794]
  大きな言語モデル(LLM)は、長い時間をかけてユーザーと対話することがますます期待されている。 LLMは過去のすべてのインタラクションを保持することができず、履歴情報の保存、更新、検索には長期記憶管理が不可欠である。 REALは長期会話記憶を時間的かつ信頼性に配慮したプロパティグラフとして構成する。
  論文  参考訳（メタデータ） (2026-06-09T10:53:10Z)
• 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)

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。