論文の概要: Chain on Demand: Deferred Evidence Organization for Long-Term Conversational Memory

• arxiv url: http://arxiv.org/abs/2611.02480v1
• Date: Mon, 02 Nov 2026 03:54:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.561332
• Title: Chain on Demand: Deferred Evidence Organization for Long-Term Conversational Memory
• Title（参考訳）: Chain on Demand: 長期会話記憶のための決定的エビデンス組織
• Abstract要約: Chain on Demandは、変化のないターンレベルのメモリ上のクエリ時間エビデンス組織フレームワークである。 我々は、CoDが1,540の非逆問題に対して82.2%の精度、および1,986の全ての質問に対して76.3%の精度を達成することを示した。 これらの結果から,情報が必要になるまで証拠組織を遅延させながら,長期記憶が元の会話を保存できることが示唆された。
• 参考スコア（独自算出の注目度）: 3.332051059117733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term conversational memory faces a timing mismatch: write-time summaries and graphs organize history before a future query is known, while independent retrieval can allocate a limited evidence budget to redundant or fragmented turns. We introduce Chain on Demand (CoD), a query-time evidence organization framework over an unchanged turn-level memory. Given a broad candidate pool, CoD constructs a temporary evidence chain by allocating a fixed anchor budget according to query relevance, lexical diversity relative to selected anchors, and newly covered query terms, followed by deterministic restoration of each selected anchor's same-session neighborhood. The resulting chain is used only for the current query, while the underlying conversational memory remains unchanged. In a paired comparison over all 1,986 LoCoMo questions, CoD achieves 82.2% accuracy on 1,540 non-adversarial questions and 76.3% on all 1,986 questions. On LongMemEval-S, one fixed configuration that indexes both user and assistant turns obtains 86.6% across all 500 questions. These results show that long-term memory can preserve the original conversation while deferring evidence organization until the information need is known.
• Abstract（参考訳）: 書き込み時サマリーとグラフは、将来のクエリが知られる前に履歴を整理し、独立した検索は、冗長または断片化されたターンに限られたエビデンス予算を割り当てる。 ターンレベルのメモリに依存しないクエリ時間エビデンス組織フレームワークであるChain on Demand (CoD)を紹介した。 幅広い候補プールが与えられると、CoDは、選択されたアンカーの関連性、選択されたアンカーに対する語彙的多様性、および新しくカバーされたクエリ用語に基づいて、固定されたアンカー予算を割り当て、次いで選択されたアンカーの同一セッション地区を決定論的に復元することで、一時的なエビデンスチェーンを構築する。 結果として生成されたチェーンは現在のクエリにのみ使用されるが、基盤となる会話メモリは変更されていない。 すべての1,986のLoCoMo質問に対するペア比較では、CoDは1,540の非敵対的な質問に対して82.2%の精度、そして1,986の質問に対して76.3%の精度を達成している。 LongMemEval-Sでは、ユーザとアシスタントの両方をインデクシングする固定構成が500問中86.6%を得る。 これらの結果から,情報が必要になるまで証拠組織を遅延させながら,長期記憶が元の会話を保存できることが示唆された。

関連論文リスト

• KITE: Retrieval as a Decision Procedure for Long-Term Conversational Memory [6.341231909427495]
  KITE(Knowledge-Indexed Temporal Evidence)は、メモリ再帰を明示的な決定手順として定式化するベクトルフリーなフレームワークである。 LoCoMo と LongMemEval-S の実験では、KITE は 93.5% と 86.4% の精度を達成している。
  論文  参考訳（メタデータ） (2026-10-30T10:11:07Z)
• 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)
• Relevance Is Not Sufficiency: What Actually Closes the Evidence Gap in Long-Term Memory QA [24.98142670509958]
  BFR(Budgeted Flat Reconstruction)は、固定フラットメモリストア上に2段階で十分なセットを構築する。 BFRは、近年のエージェントメモリシステムにおいて、応答品質とエビデンスカバレッジの両方において、同じストア適応よりも優れています。
  論文  参考訳（メタデータ） (2026-10-07T03:09:08Z)
• 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)
• DeferMem: Query-Time Evidence Distillation via Reinforcement Learning for Long-Term Memory QA [3.56156695760535]
  大規模言語モデル(LLM)エージェントは、依然として長期記憶疑問応答に苦慮している。 本稿では,この問題をハイリコール候補検索とクエリ条件のエビデンス蒸留に分離する長期記憶フレームワークであるDederMemを紹介する。 LoCoMoとLongMemEval-Sでは、DeferMemはQAの精度とメモリシステムの効率性において強力なベースラインを超えている。
  論文  参考訳（メタデータ） (2026-05-21T12:36:46Z)
• MINTEval: Evaluating Memory under Multi-Target Interference in Long-Horizon Agent Systems [69.06764269022925]
  本研究では,現在の記憶増強剤が現実的,干渉重大,長期的設定において果たす役割について検討する。 MINTEvalは、頻繁に更新される情報を備えた、長く高度に相互接続されたコンテキストを特徴とするベンチマークである。 MINTEvalは128.8kのトークンを平均で1インスタンスあたり1.8Mのトークンに拡張し、15.6kの質問応答ペアを持つ。
  論文  参考訳（メタデータ） (2026-05-18T15:43:35Z)
• 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)
• Query Resolution for Conversational Search with Limited Supervision [63.131221660019776]
  本稿では,双方向トランスフォーマに基づくニューラルクエリ解決モデルQuReTeCを提案する。 我々はQuReTeCが最先端モデルより優れており、また、QuReTeCのトレーニングに必要な人為的なデータ量を大幅に削減するために、我々の遠隔監視手法が有効であることを示す。
  論文  参考訳（メタデータ） (2020-05-24T11:37:22Z)

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。