論文の概要: Mixture-of-Memories: Low-Overhead Language Modeling with Modular Knowledge Injection

• arxiv url: http://arxiv.org/abs/2610.25425v1
• Date: Sun, 18 Oct 2026 17:32:26 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:23:27.69307
• Title: Mixture-of-Memories: Low-Overhead Language Modeling with Modular Knowledge Injection
• Title（参考訳）: Mixture-of-Memories: Modular Knowledge Injectionを用いた低オーバーヘッド言語モデリング
• Abstract要約: 本稿では、ルーティングされたニューラルメモリと現実記憶を分離するメモリ拡張言語モデリングフレームワークを提案する。 言語モデリング、事実QA、更新分析、効率に関する実験は、MoMが低い推論オーバーヘッドを維持しながら予測精度と更新性の両方を改善していることを示している。
• 参考スコア（独自算出の注目度）: 30.426799669811718
• License:
• Abstract: Large language models store substantial factual knowledge in their parameters, yet this knowledge is difficult to control, update, and reliably elicit at inference time. Existing memory-augmented approaches typically rely on a single auxiliary mechanism, such as retrieval, parameter updates, or neural memory, and therefore apply the same form of correction to tokens with very different knowledge demands. We propose Mixture-of-Memories (MoM), a memory-augmented language modeling framework that separates routed neural memory from writable factual memory. MoM combines a frozen base LM with two neural memory experts: a latent memory that provides low-latency hidden-state corrections and a lexical memory that provides a token-space knowledge pathway. A lightweight Budget Router sets per-token mixture weights from uncertainty and disagreement features, replacing the fixed interpolation of prior memory modules. For post-hoc updates, an external explicit memory stays outside the router, because a router trained before facts are written learns to down-weight it; new facts are appended without retraining any component and used only when an answer-level gate accepts the retrieved fact. Experiments across language modeling, factual QA, update analysis, and efficiency show that MoM improves both predictive accuracy and updateability while retaining low inference overhead.
• Abstract（参考訳）: 大規模言語モデルは、そのパラメータに実質的な事実知識を格納するが、この知識は推論時に制御し、更新し、確実に引き起こすことは困難である。 既存のメモリ拡張アプローチは、通常、検索、パラメータ更新、ニューラルメモリのような単一の補助メカニズムに依存しており、そのため全く異なる知識要求を持つトークンに同じ形式の修正を適用する。 メモリ拡張言語モデリングフレームワークであるMixture-of-Memories (MoM)を提案する。 MoMは、凍結したベースLMと、低レイテンシの隠れ状態補正を提供する潜時メモリと、トークン空間の知識パスを提供する語彙メモリの2つのニューラルネットワーク専門家を組み合わせる。 軽量のBudget Routerは、不確実性と不一致性から1トンあたりの混合重量を設定し、以前のメモリモジュールの固定補間を置き換える。 事実が書かれる前に訓練されたルータがダウンウェイトを学習するため、ホット後の更新では、外部の明示的なメモリはルータの外に留まる。 言語モデリング、事実QA、更新分析、効率に関する実験は、MoMが低い推論オーバーヘッドを維持しながら予測精度と更新性の両方を改善していることを示している。

関連論文リスト

• MoME: Mixture-of-Memory Embeddings for Context-Aware Sparse Lookup [35.92693145413963]
  コンテクスト対応メモリ機構であるMixture of Memory Embeddings (MoME)を紹介する。 MoMEは、各トークンの単一のメモリ行をMスロットの混合で置き換え、隠れた状態の上の学習ゲートを使用して、各位置でどのスロットを読むかを選択する。 ナノチャット、Llama-3/MobileLLM、Qwen3バックボーンの事前トレーニング実験では、MoMEはバリュー埋め込み、ビグラム、STEMベースラインよりも改善されている。
  論文  参考訳（メタデータ） (2026-09-14T07:01:52Z)
• MemTrapBench: Benchmarking Cognitive Traps in LLM Memory Use [30.64715962774191]
  既存のメモリベンチマークは、情報が正しく抽出され、保存され、検索されるかどうかを主に評価する。 記憶によって引き起こされる認知的トラップは、忠実に記録され、意味的に関連する記憶でさえ、モデル推論を歪ませることができる。 本稿では,LLMにメモリトラップを回避するためのシンプルな推論時間手法であるAdaptiveMemを提案する。
  論文  参考訳（メタデータ） (2026-08-20T16:00:17Z)
• Mela: Test-Time Memory Consolidation based on Transformation Hypothesis [0.0]
  本稿では,異なる更新周波数で動作する2つの機能的に異なるサブモジュールからなるニューラルメモリアーキテクチャを提案する。 変換仮説に触発されて、低周波のサブモジュールは抽象的なジストレベルの知識を捉えたハイレベルな表現を生成する。 我々は、HMMをTransformerベースの言語デコーダに統合し、テスト時にオンラインメモリ統合を実行するメモリ拡張言語モデルのファミリーであるMeraを形成する。
  論文  参考訳（メタデータ） (2026-05-11T13:20:51Z)
• Improving Sparse Memory Finetuning [6.491055956716639]
  大規模言語モデル(LLM)は通常、トレーニング後に静的になるが、現実のアプリケーションは既存の能力を劣化させることなく、新しい知識への継続的な適応を必要とする。 完全な微調整やパラメータ効率の手法のようなモデル更新の標準的なアプローチは、基本的なトレードオフに直面します。 Sparse Memory Finetuning (SMF)は、明示的なメモリ層内のパラメータの小さなサブセットにアップデートをローカライズすることで、有望な代替手段を提供する。
  論文  参考訳（メタデータ） (2026-04-06T23:16:10Z)
• Mem-α: Learning Memory Construction via Reinforcement Learning [20.916677456417464]
  大きな言語モデル(LLM)エージェントは、限られたコンテキストウィンドウによって制約される。 現在のメモリ拡張エージェントは、メモリ更新のための事前に定義された命令とツールに依存している。 Mem-alphaは、エージェントに複雑なメモリシステムを効果的に管理するように訓練する強化学習フレームワークである。
  論文  参考訳（メタデータ） (2025-09-30T08:02:34Z)
• MemOS: A Memory OS for AI System [116.87568350346537]
  大規模言語モデル(LLM)は、人工知能(AGI)にとって不可欠な基盤となっている。 既存のモデルは、主に静的パラメータと短命なコンテキスト状態に依存しており、ユーザの好みを追跡したり、長い期間にわたって知識を更新する能力を制限する。 MemOSはメモリを管理可能なシステムリソースとして扱うメモリオペレーティングシステムである。
  論文  参考訳（メタデータ） (2025-07-04T17:21:46Z)
• WISE: Rethinking the Knowledge Memory for Lifelong Model Editing of Large Language Models [78.22291694903659]
  大規模言語モデル(LLM)は、成長を続ける世界の事実に適合し、幻覚的応答を修正するために知識更新を必要とする。 更新された知識が記憶にどこに存在するかは、モデル編集の基本的な問題である。 記憶のギャップを埋めるためにWISEを提案する。
  論文  参考訳（メタデータ） (2024-05-23T16:35:52Z)

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。