論文の概要: The Geometry of Agent Memory: Forecasting Retrieval-Bound Memory Failures, and Characterizing Its Limits

• arxiv url: http://arxiv.org/abs/2610.26433v1
• Date: Mon, 19 Oct 2026 13:56:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 17:43:13.295486
• Title: The Geometry of Agent Memory: Forecasting Retrieval-Bound Memory Failures, and Characterizing Its Limits
• Title（参考訳）: エージェント記憶の幾何学:検索境界記憶障害の予測と限界
• Abstract要約: 本研究では,会話の旋回,メモリテキスト,クエリ間の幾何学的関係が生成前の正確さを予測できるかどうかを考察する。 ロジスティック分類器は、クエリ近接、メモリ会話対応、会話構造を記述する25の特徴を使用する。 LongMemEval の場合、プールされた AUROC は 2,367 の質問システム対に対して 0.640 であり、質問分散ベースラインは 0.655 である。
• 参考スコア（独自算出の注目度）: 0.06700983301090584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study whether geometric relationships between conversation turns, memory texts, and queries can predict answer correctness before generation. We evaluate four memory implementations with dense or hybrid retrieval and one observation-summary comparator. We embed these texts in a shared space. A logistic classifier uses 25 features describing query proximity, memory-conversation correspondence, and conversation structure. On LongMemEval-small, pooled AUROC is 0.640 over 2,367 question-system pairs, below a question-difficulty baseline of 0.655. Performance varies by question type: geometry reaches 0.841 on single-session-assistant questions, but system identity alone reaches 0.826. After controlling for difficulty and identity, geometry adds no statistically established pooled improvement (delta = +0.002, 95% CI [-0.010, 0.014]). A fixed-store context-selection experiment finds higher accuracy with proximity-ranked memories than with random subsets, consistent with ordinary retrieval relevance. On LoCoMo, nearest-turn similarity has modest predictive value for single-hop questions and near-chance estimates for several other categories. Training uses correctness labels; prediction uses pre-answer features and no additional LLM generation call. The results characterize associations between memory representations and correctness, rather than establish a reliable deployment diagnostic. In particular, embedding proximity does not verify fact coverage or distinguish memory-construction, retrieval, and generation errors.
• Abstract（参考訳）: 本研究では,会話の旋回,メモリテキスト,クエリ間の幾何学的関係が生成前の解の正しさを予測できるかどうかを考察する。 本研究では,高密度・高密度・高密度・高密度・高密度・高密度・高密度・高次コンパレータの4つのメモリ実装について検討した。 これらのテキストを共有スペースに埋め込む。 ロジスティック分類器は、クエリ近接、メモリ会話対応、会話構造を記述する25の特徴を使用する。 LongMemEval の場合、プールされた AUROC は 2,367 の質問システム対に対して 0.640 であり、質問分散ベースラインは 0.655 である。 幾何はシングルセッションアシストの質問で0.841に達するが、システムアイデンティティだけで0.826に達する。 困難とアイデンティティを制御した後、幾何は統計的に確立されたプールアップ(デルタ = +0.002, 95% CI [-0.010, 0.014])を追加しない。 固定ストアのコンテキスト選択実験は、通常の検索関連性と一致したランダムなサブセットよりも、近接ランクのメモリの方が精度が高い。 LoCoMoでは、最も近いターンの類似性は、シングルホップの質問や、他のいくつかのカテゴリの近距離推定に対して、控えめな予測値を持つ。 トレーニングは正当性ラベルを使用し、予測は応答前機能を使用し、追加のLLM生成コールは使用しない。 その結果、信頼性の高いデプロイメント診断を確立するのではなく、メモリ表現と正しさの関連性を特徴づけた。 特に、埋め込み近接は事実のカバレッジを確認したり、メモリ構築、検索、生成エラーを区別しない。

関連論文リスト

• Memory Canonicalization: A Framework and Benchmark for Cross-Model Drift in Persistent LLM Memory [0.0]
  本稿では,生のメモリオブジェクトを明示的で構造的に曖昧な標準形式に書き換える書き込み時パイプラインを提案する。 完全正準化メモリに対するクロスモデル感情整合性の改善は, 生メモリに対する不整合性の改善がみられた。
  論文  参考訳（メタデータ） (2026-10-04T11:09:27Z)
• Do LiDAR Language Models Really Understand Spatio-temporal Relationships? [62.56505727364142]
  ベンチマークと診断プロトコルであるLiDAR-Halluを150 nusのシーンで紹介する。 提案プロトコルは,固定回答と候補コンテンツ制御,クロスシーンペアを同一のプロンプトで組み合わせるが,参照応答は逆で,リレーショナルなリコールを行う。 記録された10万の応答の分析は、集合的空間精度によって隠された失敗を明らかにする。
  論文  参考訳（メタデータ） (2026-09-21T11:59:07Z)
• LINE Conversation History Retrieval for Personal Memory RAG: Evaluating Search Representations and Hybrid Retrieval [0.0]
  本研究では、あるユーザのLINE会話履歴に関する検索専用ケーススタディを提案する。 我々は358,896のメッセージを22,329の時間的コヒーレントなチャンクに分割し、3つの検索表現を構築した。 一つのアノテータで検証した100個の評価質問に対して,BM25,密度ベクトル検索,線形ハイブリッド検索を比較した。
  論文  参考訳（メタデータ） (2026-08-28T00:52:11Z)
• 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)
• Learning What to Remember: A Cognitively Grounded Multi-Factor Value Model for Agentic Memory [1.2127875744950842]
  LLMエージェントは、どのコンテキストウィンドウよりもはるかに大きなインタラクション履歴を蓄積する。 生産システムは意味的類似性や傾向に答える。 本研究では、7つの解釈可能な因子に対する多要素記憶関数 V(m)=sum_i w_i f_i(m) を提案する。
  論文  参考訳（メタデータ） (2026-06-11T06:17:31Z)
• MemReranker: Reasoning-Aware Reranking for Agent Memory Retrieval [37.54115468116941]
  本報告では,Qwen3-Reranker を用いた多段 LLM 知識蒸留によるリグレードモデルファミリ MemReranker (0.6B/4B) について紹介する。 メモリ検索ベンチマークでは、MemReranker-0.6BはBGE-Rerankerを大きく上回り、オープンソースの4B/8BモデルとGPT-4o-miniをキーメトリクスでマッチングする。 MemReranker-4B はさらに 0.737 MAP を達成し、Gemini-3-Flash と同等のメトリクスを持つ一方で、推論遅延を10-20%の大型モデルで維持している。
  論文  参考訳（メタデータ） (2026-05-07T12:33:57Z)
• 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)
• vCache: Verified Semantic Prompt Caching [95.16654660556975]
  本稿では,ユーザ定義エラー率保証を備えた最初の検証済みセマンティックキャッシュであるvCacheを提案する。 オンライン学習アルゴリズムを使用して、キャッシュされたプロンプト毎に最適な閾値を推定し、追加のトレーニングなしで信頼性の高いキャッシュ応答を可能にする。 我々の実験によると、vCacheは特定のエラー境界を一貫して満たし、最先端の静的な閾値と微調整された埋め込みベースラインより優れています。
  論文  参考訳（メタデータ） (2025-02-06T04:16:20Z)

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。