論文の概要: Memory as Code: Declarative Retrieval over Codified Long-Term Memory

• arxiv url: http://arxiv.org/abs/2610.27700v1
• Date: Tue, 20 Oct 2026 06:17:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.67113
• Title: Memory as Code: Declarative Retrieval over Codified Long-Term Memory
• Title（参考訳）: コードとしてのメモリ: コード化された長期記憶に関する宣言的検索
• Abstract要約: 長期記憶システムでは、メモリは相互作用履歴から構築され、クエリに応答して検索される。 共有コード抽象化によるメモリ構築と検索を共同で設計する統合メモリフレームワークであるメモリ・アズ・コード(MaC)を提案する。
• 参考スコア（独自算出の注目度）: 17.217850725271468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In long-term memory systems, memories are constructed from interaction histories and retrieved in response to queries, enhancing the reasoning ability of LLM agents. In complex scenarios, facts are scattered across sessions and their relationships evolve over time, making it difficult for existing memory systems to compose them to adapt to diverse queries. Motivated by the modularity and composability of code, we propose Memory as Code (MaC), a unified memory framework that jointly designs memory construction and retrieval through a shared code abstraction. MaC couples codified construction, which establishes executable memory abstractions, with declarative retrieval, which translates queries into structured retrieval programs. Specifically, codified construction builds a three-layer executable memory structure that progresses from an atomic function layer, through a relational layer, to a modular composition layer. Declarative retrieval recasts retrieval from relevance-based fact selection into declarative query processing over memory. Experiments on LoCoMo and LongMemEval show relative gains of up to 15.91% in overall LLM-judge accuracy over the strongest baseline in each setting, while substantially reducing token consumption, highlighting the effectiveness of memory as code for long-horizon memory tasks.
• Abstract（参考訳）: 長期記憶システムにおいて、メモリは相互作用履歴から構築され、クエリに応答して検索され、LCMエージェントの推論能力を高める。 複雑なシナリオでは、事実はセッションに分散し、それらの関係は時間とともに進化し、既存のメモリシステムが様々なクエリに適応するように構成することが困難になる。 メモリ・アズ・コード(メモリ・アズ・コード)は,共有コード抽象化によるメモリ構築と検索を共同で設計する統合メモリフレームワークである。 MaCは、実行可能メモリ抽象化を確立し、宣言型検索と組み合わせ、クエリを構造化された検索プログラムに変換する。 具体的には、コード化された構造は、3層実行可能メモリ構造を構築し、原子関数層からリレーショナル層を経てモジュラー合成層へと進行する。 宣言検索は、関連性に基づく事実選択からメモリ上の宣言的クエリ処理への検索をリキャストする。 LoCoMoとLongMemEvalの実験では、それぞれの設定において最強のベースラインよりもLLM-judgeの精度が最大15.91%向上し、トークン消費を大幅に削減し、長期記憶タスクのコードとしてのメモリの有効性を強調した。

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)
• The Evolution of Attention in Large Language Models: Mechanisms, Trade-offs, and Emerging Trends [51.17628561637134]
  自己アテンションは、LLMにコンテキストへの細粒度でクエリ依存のアクセスを与える。 本調査は, モデル内コンテクストメモリとしての開発状況を解析する。
  論文  参考訳（メタデータ） (2026-09-30T13:03:01Z)
• 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 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)
• MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
  メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。 MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
  論文  参考訳（メタデータ） (2026-03-19T10:15:59Z)
• Evaluating Long-Term Memory for Long-Context Question Answering [100.1267054069757]
  質問応答タスクにアノテートした合成長文対話のベンチマークであるLoCoMoを用いて,メモリ拡張手法の体系的評価を行う。 以上の結果から,メモリ拡張アプローチによりトークン使用率が90%以上削減され,競争精度が向上した。
  論文  参考訳（メタデータ） (2025-10-27T18:03:50Z)
• Multiple Memory Systems for Enhancing the Long-term Memory of Agent [9.43633399280987]
  MemoryBankやA-MEMといった既存の手法は、記憶されているメモリの質が劣っている。 我々は認知心理学理論にインスパイアされた多重記憶システムを設計した。
  論文  参考訳（メタデータ） (2025-08-21T06:29:42Z)
• SCM: Enhancing Large Language Model with Self-Controlled Memory Framework [54.33686574304374]
  大きな言語モデル(LLM)は、長い入力を処理できないため、重要な歴史的情報が失われる。 本稿では,LLMが長期記憶を維持し,関連する情報をリコールする能力を高めるための自己制御メモリ(SCM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-26T07:25:31Z)

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。