論文の概要: MemRevise: A Self-Revising Memory for Conversational Search
- arxiv url: http://arxiv.org/abs/2610.24672v1
- Date: Sat, 17 Oct 2026 12:48:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-22 17:02:02.313547
- Title: MemRevise: A Self-Revising Memory for Conversational Search
- Title（参考訳）: MemRevise:会話検索のための自己修正メモリ
- Abstract要約: CONVREVISEは,TopiOCQA,CORAL,OR-QuACの6段階のリターンとリターンに対する4,429のテスト質問のベンチマークである。
また,改訂可能なメモリグラフ,教師の記憶から抽出した3Bライタ,メモリによる検索を組み合わせたMEMREVISEを提案する。
- 参考スコア（独自算出の注目度）: 22.82938587928396
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In conversational search, users correct misun-derstandings, revise their requests and return to earlier topics, so part of the history no longer reflects what they want. Existing benchmarks do not isolate such turns. Current search methods either re-read the history or keep a record of every turn, and none of them marks earlier content as dropped. We introduce CONVREVISE, a benchmark of 4,429 test questions in six tiers of returns and revisions over TopiOCQA, CORAL and OR-QuAC. We also propose MEMREVISE, which combines a revisable memory graph, a 3B writer distilled from teacher memories, and a search guided by the memory. The writer reads each turn once and adds a node that records its topic, its facts and the operations it performs, such as adding, abandoning or reactivating a topic. Topic status follows from these operations, so a dropped topic keeps its facts and can be restored. With a frozen retriever, MEMREVISE reaches a mean MRR@10 of 0.701, against 0.589 for the best competitor, ConvSearch-R1-FT, and 0.617 for a writer distilled the same way without the memory, so the memory and the steps built on it add 0.084. MEMREVISE is significantly better on Topi- OCQA and OR-QuAC, statistically tied with prompted 32B rewriters on CORAL, and never significantly behind the strongest competitor of any tier.
- Abstract（参考訳）: 会話検索では、ユーザーは誤解を訂正し、リクエストを修正し、以前のトピックに戻る。
既存のベンチマークはそのようなターンを分離しない。
現在の検索手法では、履歴を読み直したり、すべてのターンの記録を保存したりしている。
CONVREVISEは,TopiOCQA,CORAL,OR-QuACの6段階のリターンとリターンに対する4,429のテスト質問のベンチマークである。
また,改訂可能なメモリグラフ,教師の記憶から抽出した3Bライタ,メモリによる検索を組み合わせたMEMREVISEを提案する。
ライターは各ターンを読み、トピック、その事実、そのトピックの追加、放棄、再活性化などの処理を記録するノードを追加する。
トピックの状態はこれらの操作から従うため、削除されたトピックはその事実を保持し、復元することができる。
冷凍レトリバーにより、MEMREVISEは最高の競合であるConvSearch-R1-FTの0.589に対して平均MRR@10の0.701に達し、ライターの0.617はメモリなしで同じ方法で蒸留されたため、メモリとその上に構築されたステップは0.084となる。
MeMREVISEはTopi-OCQAとOR-QuACで大幅に優れており、統計的にはCoRALの32Bリライト機と結びついており、どの層でも最強の競合機に大きく遅れることはなかった。
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) - Recall Begets Recall: Recurrent Memory Ranking for Personalized LLMs [57.42635971273594]
本稿では,リカレントかつ自己終端ループとして動作するメモリローカであるReMindを提案する。
複合キューのために、ReMindはクエリコンテキストにトップランクのメモリを追加します。
メタメモリ監視では、収集したメモリがクエリに応答するのに十分かどうかを各ステップで予測する。
論文 参考訳（メタデータ） (2026-10-12T03:53:47Z) - 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) - Entity-Memory Graph Retrieval Improves Evidence Coverage in Long-Conversation Question Answering [0.0]
10のLoCoMo会話から1,986の質問に対して、グラフ検索はトップ25での公式証拠リコールを79.7468%から84.4842%に引き上げている。
試験されたGPT-3.5およびDeepSeek抽出器の両結果に対する試験的堅牢性をサポートする。
論文 参考訳（メタデータ） (2026-08-28T05:03:33Z) - Voice Memory for Agentic Speech Recognition [66.69623133635868]
エージェント音声認識のための推論専用スキームであるVoice Memoryを提案する。
同期的に、スコア付き例は、境界編集を通じてそのファイルを更新する。
10のHyPoradiseドメインにオープン修正器、Voice Memory、重み付き単語エラー率8.36%から7.52%の10のドメインがある。
論文 参考訳（メタデータ） (2026-07-29T02:42:56Z) - Ground Truth First: A Longitudinal Evaluation Instrument for Agent Memory, and the Tenure Crossover in Memory-Architecture Rankings [0.0]
シードライフスクリプトサンプリング器は、テキストが存在する前に、有効間隔のボラティリティクラスとソースチャネルの事実を出力する。
検証者は、すべての植えられた事実を確認し、質問はスクリプトから機械的にインスタンス化される。
人工的でフィクション化されたコーパスは、私たちが調査したベンチマークから欠落している特徴を埋め込んでいる。
論文 参考訳（メタデータ） (2026-07-24T04:19:45Z) - BOOKMARKS: Efficient Active Storyline Memory for Role-playing [67.91742986947936]
BookMARKSはロールプレイングエージェントのための検索ベースのメモリフレームワークである。
現在のタスクに対するタスク関連ブックマークを積極的に初期化し、維持し、更新する。
BookMARKSは16のアーティファクトから85文字のRPAメモリベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2026-05-13T22:48:24Z) - ImplicitMemBench: Measuring Unconscious Behavioral Adaptation in Large Language Models [60.14219417402433]
LLMエージェントの既存のメモリベンチマークは、事実の明示的なリコールを評価するが、意識的な検索なしに、経験が自動的な振る舞いになる暗黙の記憶を見落としている。
IndicitMemBenchは、非宣言的メモリの標準的な認知科学のアカウントから引き出された3つの構造を通して暗黙的メモリを評価する最初の体系的なベンチマークである。
当社の300イテムスイートでは,初動採点を備えたLearning/Priming-Interfere-Testプロトコルを統一しています。
論文 参考訳（メタデータ） (2026-04-09T10:26:32Z) - HEMA : A Hippocampus-Inspired Extended Memory Architecture for Long-Context AI Conversations [0.0]
大規模言語モデル(LLM)は、数百回に及ぶ会話におけるコヒーレンスを維持するのに苦労する。
本稿では,人間の認知プロセスにインスパイアされたデュアルメモリシステムであるHEMAを紹介する。
10Kインデックスのチャンクでは、ベクトルメモリはP@5 >= 0.80 と R@50 >= 0.74 を達成し、精度-リコール曲線の下で領域を2倍にする。
論文 参考訳（メタデータ） (2025-04-23T14:27:12Z) - Adversarial Retriever-Ranker for dense text retrieval [51.87158529880056]
本稿では、二重エンコーダレトリバーとクロスエンコーダローダからなるAdversarial Retriever-Ranker(AR2)を提案する。
AR2は、既存の高密度レトリバー法より一貫して大幅に優れている。
これには、R@5から77.9%(+2.1%)、TriviaQA R@5から78.2%(+1.4)、MS-MARCO MRR@10から39.5%(+1.3%)の改善が含まれている。
論文 参考訳（メタデータ） (2021-10-07T16:41:15Z)
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。