論文の概要: CALM: Conflict-Aware Lifecycle Memory Governance for Long-Horizon Language Agents
- arxiv url: http://arxiv.org/abs/2610.38573v1
- Date: Wed, 28 Oct 2026 10:06:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-01 01:32:09.986433
- Title: CALM: Conflict-Aware Lifecycle Memory Governance for Long-Horizon Language Agents
- Title（参考訳）: CALM: 長期言語エージェントのための紛争対応ライフサイクルメモリガバナンス
- Abstract要約: 本稿では,問合せ時からのメモリ保存を分離する,コンフリクト対応のライフサイクルメモリガバナンスフレームワークを提案する。
CALMは異質なレコードをエビデンス基底のメモリセルに変換し、サポート、コンフリクト、依存性信号を使用して妥当性とライフサイクル状態を更新する。
競合ブロックと解析により、CALMは、有効な証拠を保持しながら、誤った記憶を抑える。
- 参考スコア（独自算出の注目度）: 42.81357724450484
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A memory can be outdated for present-day reasoning yet indispensable for reconstructing the past. Relevance-based retrieval overlooks this tension: semantic relevance, evidence-grounded validity, and query-specific eligibility are distinct. We propose CALM, a conflict-aware lifecycle memory governance framework that decouples persistent memory preservation from query-time admission. CALM converts heterogeneous records into evidence-grounded memory cells, updates validity and lifecycle states using support, conflict, and dependency signals, and admits query-appropriate evidence through training-free or learned gating informed by temporal applicability. Across LongMemEval-S and LoCoMo with Qwen and GPT backbones, CALM outperforms state-of-the-art baselines, achieving the best overall accuracy. Compared with simple filtering and reranking, query-conditioned admission further improves evidence selection. Conflict-blocking and robustness analyses show CALM suppresses erroneous retrieved memories while retaining useful evidence. Historical-reconstruction experiments demonstrate that preserving superseded records supports accurate earlier-state reasoning without compromising current-state answers.
- Abstract（参考訳）: 記憶は現在の推論には時代遅れにすることができるが、過去の再構築には不可欠である。
関連性に基づく検索は、意味的関連性、エビデンスに基づく妥当性、クエリ固有の適性など、この緊張関係を見落としている。
問合せ時からのメモリ保存を分離する,コンフリクト対応のライフサイクルメモリガバナンスフレームワークであるCALMを提案する。
CALMは異質なレコードをエビデンス基底のメモリセルに変換し、サポート、コンフリクト、依存性信号を使用して、妥当性とライフサイクル状態を更新し、時間的適用性によって通知されるトレーニングなしまたは学習ゲーティングを通じて、クエリ不適切なエビデンスを認める。
LongMemEval-S と LoCoMo を Qwen と GPT のバックボーンで組み合わせると、CALM は最先端のベースラインよりも優れ、全体的な精度が最高である。
単純なフィルタリングや再ランクと比較すると、クエリ条件付き入力はエビデンス選択をさらに改善する。
競合ブロックとロバストネスの分析は、CALMが誤った記憶を抑えつつ、有効な証拠を保持していることを示している。
歴史的再構成実験は、上述のレコードを保存することが、現状の回答を損なうことなく、正確な早期の推論をサポートすることを示した。
関連論文リスト
- What Should an Agent Forget? Separating What Is Stored from What Is Used [14.434131011155545]
永続的な言語エージェントは、時間にわたって利用できるように格納されたエクスペリエンスを必要とします。
RD-Forgetは、エージェントが保存するものと使用するものとを分離する、トレーニング不要のフレームワークです。
論文 参考訳（メタデータ） (2026-09-09T14:48:09Z) - GROVE: Growing and Reasoning over Temporally Stratified Memory from Streaming Video Experience [67.55136435794206]
ウェアラブルアシスタントは、その視覚的履歴に関する質問に答え、その歴史が現在の状況に有効であるかどうかを認識する。
GROVEは、連続的なビデオストリームから慎重に成長した1つのメモリで両方の動作をサポートする、トレーニング不要のフレームワークである。
GROVEは、きめ細かい知覚的証拠を保持し、それをタイムスタンプ化された瞬間、一貫性のあるエピソード、そして日々のパターンに漸進的に統合する。
論文 参考訳（メタデータ） (2026-08-03T15:35:28Z) - 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) - RaMem: Contextual Reinstatement for Long-term Agentic Memory [21.228780482661076]
本稿では,検索したメモリフラグメントを文脈的エビデンスに変換するフレームワークであるAgenic Memory (RaMem) について述べる。
ラメムは4つの調整された段階を経る: (i) それぞれの記憶を元のエピソード条件、特にイベント時間、参照時間、セッションスパンおよび参加者に固定する証拠 (ii) 記憶条件誘導は、クエリによって入力されたエビデンス条件を導出する; (iii) 妥当性認識検索は、これらの条件を使用して、コンテンツ関連候補をフォールバック証拠として保持しながら、コンテキスト互換な記憶を優先順位付けする; (iv) コンテキスト保存合成は、選択された記憶の構造化されたコンテキストをジェネレータに保持する。
論文 参考訳（メタデータ） (2026-06-22T04:41:14Z) - REAL: A Reasoning-Enhanced Graph Framework for Long-Term Memory Management of LLMs [17.526686616588794]
大きな言語モデル(LLM)は、長い時間をかけてユーザーと対話することがますます期待されている。
LLMは過去のすべてのインタラクションを保持することができず、履歴情報の保存、更新、検索には長期記憶管理が不可欠である。
REALは長期会話記憶を時間的かつ信頼性に配慮したプロパティグラフとして構成する。
論文 参考訳（メタデータ） (2026-06-09T10:53:10Z) - Mitigating Provenance-Role Collapse in Long-Term Agents via Typed Memory Representation [33.47493976010677]
本稿では,ソースモニタリングを構造制約として運用する型付きメモリ中間表現であるMemIRを提案する。
MemIRは、長期記憶を基底原子に書き、生の証拠、検索の手がかり、真理を含む主張を分離する。
LoCoMoとBEAM-100Kの実験は、MemIRが既存のメモリベースラインを一貫して上回ることを示した。
論文 参考訳（メタデータ） (2026-05-25T13:56:31Z) - FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation [73.22935457705057]
時間的動的文脈における再ランカ評価のためのベンチマークであるFRESCOを紹介する。
レクエンシ検索クエリと過去のウィキペディアのリビジョンを組み合わせることで、FRESCOは、セマンティックな関連性を維持しながら、リランカが事実として最新の証拠を優先順位付けできるかどうかをテストする。
我々の評価では、既存の再ランカ間で一貫した障害モードが明らかになっている。
論文 参考訳（メタデータ） (2026-04-14T17:04:25Z) - All-Mem: Agentic Lifelong Memory via Dynamic Topology Evolution [20.68235182577703]
All-Memは明示的で非破壊的な統合を通じて構造化されたメモリバンクを維持している。
LLM診断器は定期的にオフラインで、SPLIT、MERGE、UPDATEの3つの演算子で実行される信頼性スコアトポロジ編集を提案する。
クエリ時には、タイプドリンクはホップバウンドで、アクティブアンカーから必要に応じてアーカイブされたエビデンスへの予算付き拡張を可能にする。
論文 参考訳（メタデータ） (2026-03-20T03:14:40Z) - 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。