論文の概要: ETAMem: Decoupling and Aligning Heterogeneous Memory for Long-Term Conversational Agents

• arxiv url: http://arxiv.org/abs/2610.37443v1
• Date: Tue, 27 Oct 2026 15:51:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.681288
• Title: ETAMem: Decoupling and Aligning Heterogeneous Memory for Long-Term Conversational Agents
• Title（参考訳）: ETAMem:長期会話エージェントのための異種記憶の分離と調整
• Abstract要約: 長期記憶により、大規模言語モデルは、拡張された会話間での一貫性とパーソナライズされた相互作用を維持することができる。 既存のメモリシステムは,(1)大まかなメモリ単位内で異種情報が混在する情報アンタングルメント,(2)意味的類似性に基づくメモリ構造が他の関連性を見落としている組織ミスマッチ,の2つの課題に直面している。 異種会話情報を分離し,メモリ表現や組織をその特徴と整合させる多視点メモリフレームワークであるETAMemを提案する。
• 参考スコア（独自算出の注目度）: 28.055032916968557
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term memory enables Large Language Models (LLMs) to maintain coherent and personalized interactions across extended conversations. However, existing memory systems face two key challenges: (1) Information Entanglement, where heterogeneous information is mixed within coarse-grained memory units; and (2) Organizational Mismatch, where memory structures based primarily on semantic similarity may overlook other associations. To address these challenges, we propose ETAMem, a multi-view memory framework that decouples heterogeneous conversational information and aligns memory representations and organization with its distinct characteristics. Specifically, heterogeneous information parsing extracts atomic memory units and identifies affective information. View-specific memory structuring then organizes these units into three complementary hierarchical views: Event, Affect, and Time. ETAMem incrementally maintains memory structures with adaptively calibrated thresholds. For retrieval, entropy-based retrieval allocates query-specific budgets across views and performs hierarchical search within each view. Experiments on LoCoMo and LongMemEval-S demonstrate that ETAMem outperforms state-of-the-art baselines, achieving relative accuracy improvements of 12.46% and 7.96%, respectively, while maintaining competitive token efficiency. Further analyses demonstrate the complementary benefits of different memory views.
• Abstract（参考訳）: 長期記憶により、LLM(Large Language Models)は、拡張された会話間でのコヒーレントでパーソナライズされたインタラクションを維持することができる。 しかし,既存のメモリシステムは,(1)大まかなメモリ単位内で異種情報が混在する情報アンタングルメント,(2)意味的類似性に基づくメモリ構造が他の関連性を見落としてしまうような組織的ミスマッチ,の2つの課題に直面している。 これらの課題に対処するために、異種会話情報を分離し、メモリ表現と組織をその特徴と整合させる多視点メモリフレームワークであるETAMemを提案する。 具体的には、異種情報解析は原子記憶単位を抽出し、感情情報を識別する。 ビュー固有のメモリ構造は、これらのユニットを3つの補完的な階層ビュー(Event、Affect、Time)にまとめる。 ETAMemは、適応的に調整された閾値を持つメモリ構造を漸進的に維持する。 検索のために、エントロピーに基づく検索は、ビューにまたがるクエリ固有の予算を割り当て、各ビュー内で階層的な検索を行う。 LoCoMoとLongMemEval-Sの実験では、ETAMemは、競合トークン効率を維持しながら、それぞれ12.46%と7.96%の相対的な精度向上を達成した。 さらに分析すると、異なるメモリビューの相補的な利点が示される。

関連論文リスト

• CineMem: Attention-Aligned Fine-grained Memory Retrieval for Multi-Shot Long Video Generation [48.960736196535095]
  自動回帰ビデオ生成は、長距離依存をモデル化するためにメモリ検索に依存する。 既存の方法は、フレームレベルでメモリ検索を行い、すべてのクエリトークンで同じ履歴コンテキストを共有する傾向がある。 我々はCineMemを紹介した。CineMemは、オンラインメモリ組織とクエリ適応検索を組み合わせた微粒化メモリ検索フレームワークである。
  論文  参考訳（メタデータ） (2026-10-13T08:14:08Z)
• Event-Centric Memory with Query-Aware Graph Augmentation for Long-Term Conversational Agents [51.804747364500344]
  本稿では,人間の記憶を動機とした新しいメモリ構築とアクティベーションフレームワークQGMemを提案する。 QGMemは、長い対話履歴を個々の体験を保存するイベントインデックス化された原子記憶ユニットに変換する。 検索,マルチホップエビデンス構成,コンフリクト解決,コンパクトな文脈による超長文対話推論において,一貫した利得を示す。
  論文  参考訳（メタデータ） (2026-10-08T13:17:59Z)
• 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)
• CreaMem: A Scene-Aware Memory Architecture for Personalized Agents [10.59532182467324]
  本稿では,メモリを複数のライフシーンメモリに分割することで,シーン認識型メモリ構成を可能にするCreaMemアーキテクチャを提案する。 CreaMemは、すべての評価指標のQA精度を改善し、特にマルチホップ推論のパフォーマンスを大きく向上させる。 強化するために、私たちはコードをパブリックなGitHubリポジトリにリリースしました。
  論文  参考訳（メタデータ） (2026-09-08T10:33:05Z)
• Graph-based Agent Memory: Taxonomy, Techniques, and Applications [63.70340159016138]
  メモリはLarge Language Model(LLM)ベースのエージェントの中核モジュールとして出現する。 さまざまなパラダイムの中でグラフは、関係依存をモデル化する本質的な能力のため、エージェントメモリの強力な構造として際立っている。 本調査では, エージェントメモリの総合的な検討について, グラフベースの観点から述べる。
  論文  参考訳（メタデータ） (2026-02-05T13:49:05Z)
• 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)
• From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
  大言語モデル(LLM)は会話エージェントで広く採用されている。 MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-26T06:13:07Z)

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。