論文の概要: ActionRAG: Evidence-Refining Graph Diffusion for Long-Term Memory in LLM Agents

• arxiv url: http://arxiv.org/abs/2610.32752v1
• Date: Fri, 23 Oct 2026 14:59:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.588788
• Title: ActionRAG: Evidence-Refining Graph Diffusion for Long-Term Memory in LLM Agents
• Title（参考訳）: ActionRAG: LLMエージェントの長期記憶のためのエビデンス精製グラフ拡散
• Abstract要約: ActionRAGは、クエリ時間グラフの再評価と慎重なインデックス付けを結合したグラフメモリアーキテクチャである。 我々は、正確な検索、コンフリクト解決、長距離理解、テストタイム学習をテストするMemoryAgentBench(MAB)のActionRAGを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: LLM agents need long-term memory that can recover precise and mutually consistent evidence from growing interaction histories, particularly when answers depend on relations among facts rather than isolated semantic matches. Current memory pipelines remain vulnerable at two stages: indexing errors can fragment repeated entities or merge distinct ones, and online retrieval often treats initial similarity scores as final even when the surrounding graph provides evidence for revising them. We introduce ActionRAG, a graph memory architecture that couples cautious indexing with query-time graph retroevaluation. Its indexing pipeline reconciles type labels and applies tiered entity resolution. Given a query, dual-channel entity and triple retrieval forms an initial evidence set and induces a bounded local graph. Query-conditioned receiver-normalized diffusion refines triple scores using local path structure. Seed protection, hub-penalized flux, and triple materialization preserve direct evidence while recovering missed connections. We evaluate ActionRAG on MemoryAgentBench (MAB), which tests accurate retrieval, conflict resolution, long-range understanding, and test-time learning. Across its eight deterministic-scoring columns, ActionRAG achieves 55.1 average accuracy, improving over the strongest retrieval-based memory baseline by 5.4 points. Under MAB's query-time cost accounting, mean synthesis cost stays below \$0.001 per query on the four reported cost columns, and the sum of separately measured retrieval-side p99 components is 440.7 ms on our consumer Apple Silicon setup.
• Abstract（参考訳）: LLMエージェントは、相互作用履歴の増大から正確かつ相互に一貫した証拠を回収できる長期記憶を必要とする。 インデクシングエラーは、繰り返したエンティティを断片化したり、別のエンティティをマージしたりし、オンライン検索は、周辺のグラフが修正の証拠を提供したとしても、初期類似性のスコアを最終的なものとして扱うことが多い。 本稿では、クエリ時間グラフの再評価と慎重なインデックス付けを結合したグラフメモリアーキテクチャであるActionRAGを紹介する。 インデクシングパイプラインは型ラベルを調整し、階層化されたエンティティ解決を適用します。 クエリが与えられたとき、二重チャネルエンティティと三重検索は、初期エビデンスセットを形成し、有界な局所グラフを誘導する。 クエリ条件付きレシーバ正規化拡散は、局所経路構造を用いてトリプルスコアを洗練する。 種子保護、ハブペナル化フラックス、三重物質化は、失われた接続を回復しながら直接証拠を保存する。 我々は、正確な検索、コンフリクト解決、長距離理解、テストタイム学習をテストするMemoryAgentBench(MAB)のActionRAGを評価する。 8つの決定論的スコア列の中で、ActionRAGは55.1の平均精度を達成し、最強の検索ベースのメモリベースラインを5.4ポイント改善した。 MABのクエリ時間コスト会計では、平均合成コストは、報告された4つのコスト列で1クエリあたり0.001ドル以下であり、別々に測定された検索側のp99コンポーネントの合計は、私たちの消費者のApple Siliconセットアップで440.7msである。

関連論文リスト

• PACE-Mem: Prefix-Aware Complementary Evidence for Multimodal Agents [22.298735041137405]
  相補的なエビデンスシーケンスを構築し,同じ選択軌道から長さを決定するPACE-Memを提案する。 構造化メモリの場合、クエリ誘導プーリングは各クリップ内のレコードを組み合わせて、関連スコアと表現を取得する。 PACE-Memは、Adaptive-kよりも平均1.6%精度が向上する。
  論文  参考訳（メタデータ） (2026-10-17T02:24:19Z)
• Recall What Is Missing: Composing Evidence from Long-Term Agent Memory [24.592499205332413]
  限られたコンテキスト予算の下では、長期的なエージェントは、個々の関連性のある記憶だけでなく、現在のクエリに十分な証拠を思い出さなければならない。 私たちはこの操作をMemPursuitでインスタンス化します。これは、スパース凸クエリ再構築の残余を、現在のメモリセットが欠落している部分の表現空間プロキシとして使用する、トレーニング不要のメカニズムです。
  論文  参考訳（メタデータ） (2026-10-11T14:18:11Z)
• GraphMemix: Query-Aware Evidence Forests for Long-Term Multimodal Agent Memory [87.58855368314693]
  メモリ構造をクエリ対応エビデンス・フォレスト構築としてモデル化するグラフメモリフレームワークであるGraphMemixを提案する。 4つの長期マルチモーダルメモリベンチマークの実験結果から,異なる基礎モデルによる大幅な改善が示された。
  論文  参考訳（メタデータ） (2026-08-27T11:28:49Z)
• VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval [65.89247522243959]
  VisDocAgentBenchは、静的検索とエージェント検索を比較したクローズドコーパスベンチマークである。 100の文書から2,375ページ、120のユニークなターゲットクエリが直接、一橋、二橋のエビデンス構造でバランスを取っている。 強力な遅延対話型ビジュアルレトリバーは、直接アイテムで97.50%のRecall@1に達するが、2ブリッジアイテムでは2.50%に達し、関連性がコーパスコンテキストに依存する場合のクエリ-ターゲットマッチングの限界を明らかにする。
  論文  参考訳（メタデータ） (2026-08-18T15:23:06Z)
• 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)
• When Does Overlap Help? OSU-Mem and a Cell-Conditional Analysis of Trajectory Memory for LLM Agents [8.361893760388329]
  LLM(Long-Horizon Large Language Model)エージェントは、実用的なプロンプト予算を迅速に超過する相互作用トラジェクトリを蓄積する。 トラジェクトリメモリを重なり合うセマンティックユニット(OSU)に編成することは、フラットまたは非ジョイントな選択肢を検索するのに役立つのだろうか? 我々はこれをOSUMemでインスタンス化し、OSUプールの重なり合う部分から予算付き粗大な拡張によって取り出す。
  論文  参考訳（メタデータ） (2026-06-19T04:23:04Z)
• 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)
• 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)
• Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval [59.295767860331004]
  RF-Memは、親しみやすい不確実性誘導デュアルパスメモリレトリバーである。 それは、人間のようなデュアルプロセス認識をレトリバーに埋め込む。 一定の予算とレイテンシの制約の下で、ワンショット検索とフルコンテキスト推論を一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-10T06:31:44Z)
• 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。