論文の概要: Retrieval as Traversal: Value-Indexed Memory for Stateful Long-Context Agents

• arxiv url: http://arxiv.org/abs/2610.40545v1
• Date: Thu, 29 Oct 2026 17:37:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.125808
• Title: Retrieval as Traversal: Value-Indexed Memory for Stateful Long-Context Agents
• Title（参考訳）: トラバーサルとしての検索:ステートフルロングコンテキストエージェントのためのバリューインデックスメモリ
• Abstract要約: 長文モデルは、密接に関連する検索問題を繰り返し解決する。 リカレント圧縮は、どの情報を保存すべきかを事前に決めることによってのみ、この検索を避ける。 本稿では,アドレス空間内の局所的トラバースを検索する手法を提案する。
• 参考スコア（独自算出の注目度）: 39.750956972389545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-context models repeatedly solve closely related retrieval problems. Attention or global retrieval can retain large stores, but each forward pass again searches for what matters. Recurrent compression avoids this search only by deciding earlier what information to preserve. Neither mechanism directly exploits that useful memories at neighbouring retrieval steps may substantially overlap. We propose an alternative in which retrieval is a persistent local traversal through an address space. We separate a memory's content from its address. Utility is defined by the information revealed by retrieving the content, while geometry determines only how cheaply that information can be reached. This leads to a cost-regularised indexing objective that preserves information value inside local neighbourhoods while charging for every memory made locally accessible. Its marginal-value form gives both attractive and exclusion pressures. Thus, complementary memories should be co-retrievable when the additional value exceeds retrieval cost, whereas redundant memories should not occupy the same retrieval set solely because they are individually useful. As a proof of principle, we test only the simplest fixed-geometry instance on MiniGrid Memory. A persistent local traversal head reaches $0.95$ mean return after $0.59$M training steps with a five-token context, compared with $0.94$M for Gaussian absolute addressing and more than $2$M for categorical absolute addressing. The experiment does not test learned geometry or repeated retrieval. Instead, it motivates the hypothesis that stateful retrieval may be easier to learn than stateless. To test the full proposed method further experimentation is necessary.
• Abstract（参考訳）: 長文モデルは、密接に関連する検索問題を繰り返し解決する。 注意またはグローバル検索は大きな店舗を維持できるが、各店舗は再び重要なものを検索する。 リカレント圧縮は、どの情報を保存すべきかを事前に決めることによってのみ、この検索を避ける。 どちらのメカニズムも、近隣の検索ステップで有用な記憶が著しく重複することはない。 本稿では,アドレス空間内の局所的トラバースを検索する手法を提案する。 メモリの内容とアドレスを分離します。 ユーティリティは、コンテンツを取得することで明らかになった情報によって定義されるが、ジオメトリは、その情報にどの程度のコストで到達できるかを判断する。 これにより、ローカルにアクセス可能なすべてのメモリの課金をしながら、地域内の情報価値を保存する、コスト調整されたインデックス化の目標が導かれる。 その限界値形式は、魅力的な圧力と排除圧力の両方を与える。 したがって、追加の値が検索コストを超える場合、補完記憶は共検索可能であり、一方、冗長記憶は個々の有用性のためだけに同じ検索セットを占有するべきではない。 原理の証明として、MiniGridメモリ上で最も単純な固定幾何インスタンスのみをテストする。 永続的な局所トラバーサルヘッドは、ガウス絶対アドレッシングの0.94$Mとカテゴリー絶対アドレッシングの$2$M以上の条件で0.59$Mのトレーニングステップの後、平均で0.95$のリターンに達する。 この実験は、学習された幾何学や反復的な検索をテストしない。 代わりに、ステートフル検索はステートレスよりも学習しやすいという仮説を動機付けている。 提案手法の完全な検証にはさらなる実験が必要である。

関連論文リスト

• Where to Look and What to Use: Retrieve-Localize-Generate for Long-Term Conversational Memory Question Answering [42.31517185994942]
  RAGは、外部知識にアクセスすることによって、大きな言語モデルで質問に答えることを可能にする。 既存の方法は、時間的に離れたセッションに散在する断片化されたエビデンスと、中途半端な効果を誘発する検索セッション内のノイズのある内容の2つの主要な課題に悩まされている。 本稿では,長期会話メモリQAのための検索・ローカライズ・ジェネレーション統合フレームワークであるMemLocを提案する。
  論文  参考訳（メタデータ） (2026-09-07T06:32:12Z)
• Learning to Retrieve: Dual-Level Long-Term Memory for Text-to-SQL Agents [63.38073530162493]
  長期記憶は、エージェントが過去の経験を再利用するのに役立つ。 静的メソッドは、下流ユーティリティを最適化しない固定された類似性に依存します。 動的マルチ水平メモリ検索フレームワークであるMERITを提案する。
  論文  参考訳（メタデータ） (2026-05-30T05:44:34Z)
• MGRetrieval: Memory-Guided Reflective Retrieval for Long-Term Dialogue Agents [10.248580356955085]
  大規模言語モデル(LLM)は対話において大きな進歩を遂げているが、冗長なメモリコンテキストはそれらの有効性を制限している。 歴史的記憶の意味構造における反射的検索を基盤とした検索戦略であるMGRetrievalを提案する。 LoCoMoの大規模な実験により、MGRetrievalはF1の8.91%、BLEU-1の11.11%で最強のベースラインを上回った。
  論文  参考訳（メタデータ） (2026-05-22T14:41:56Z)
• MemSearch-o1: Empowering Large Language Models with Reasoning-Aligned Memory Growth in Agentic Search [59.98962867649009]
  本稿では,メモリ成長とリトラシングに基づくエージェント検索フレームワークであるMemSearch-o1を提案する。 MemSearch-o1はクエリからメモリシードトークンからきめ細かいメモリフラグメントを成長させ、コントリビューション関数を通じてメモリを再トレースし、深く洗練し、最終的にグローバルに接続されたメモリパスを再編成する。
  論文  参考訳（メタデータ） (2026-04-19T05:35:06Z)
• 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)
• Diagnosing Retrieval vs. Utilization Bottlenecks in LLM Agent Memory [6.493102878734374]
  我々は、書き込み戦略、検索方法、メモリ利用行動における性能差がどのように現れるかを分析する。 LoCoMoでは、検索方法が主流である。 フェール分析は、パフォーマンスの低下が、利用ではなく、検索段階で最も多く現れることを示している。
  論文  参考訳（メタデータ） (2026-03-02T23:47:23Z)
• Remember Me, Refine Me: A Dynamic Procedural Memory Framework for Experience-Driven Agent Evolution [52.76038908826961]
  我々は静的ストレージと動的推論のギャップを埋めるため、$textbfReMe$ ($textitRemember Me, Refine Me$)を提案する。 ReMeは3つのメカニズムを通じてメモリライフサイクルを革新する: $textitmulti-faceted distillation$, きめ細かい経験を抽出する。 BFCL-V3とAppWorldの実験では、ReMeが新しい最先端のエージェントメモリシステムを確立している。
  論文  参考訳（メタデータ） (2025-12-11T14:40:01Z)
• ROME: Robustifying Memory-Efficient NAS via Topology Disentanglement and Gradient Accumulation [106.04777600352743]
  微分可能なアーキテクチャサーチ(DARTS)は、スーパーネット全体がメモリに格納されているため、メモリコストが大幅に低下する。 シングルパスのDARTSが登場し、各ステップでシングルパスのサブモデルのみを選択する。 メモリフレンドリーだが、計算コストも低い。 RObustifying Memory-Efficient NAS (ROME) と呼ばれる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-23T06:34:07Z)

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。