論文の概要: ReConMem: A Graph-Based Dual Memory System for Repository-Oriented Conversations

• arxiv url: http://arxiv.org/abs/2611.07759v1
• Date: Thu, 05 Nov 2026 10:01:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.649642
• Title: ReConMem: A Graph-Based Dual Memory System for Repository-Oriented Conversations
• Title（参考訳）: ReConMem: リポジトリ指向会話のためのグラフベースのデュアルメモリシステム
• Abstract要約: 本稿では,レポジトリ指向会話のためのグラフベースのデュアルメモリシステムReConMemを提案する。 ReConMemは、メモリリコールのために、コードドラフトベースのクエリグラウンドディングを通じて自然言語とコード整合検索を組み合わせる。 ReConMemを長期のコンテキスト管理と現実的なプロジェクト・グラウンド・マルチターン・アシストにまたがる2つのリポジトリ指向の対話型ベンチマークで評価する。
• 参考スコア（独自算出の注目度）: 8.867061253116367
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-based code assistants are increasingly used in iterative repository-level development, where effective assistance requires jointly leveraging evolving conversational history and repository context. Existing memory systems, however, are primarily designed for general-purpose conversations and do not sufficiently coordinate conversational information with the structured code entities to which it refers. We propose ReConMem, a graph-based dual memory system for repository-oriented conversations. ReConMem organizes distilled conversational memories and conversation-relevant code entities into interconnected semantic and structural memory graphs, while maintaining their cross-graph associations as interactions evolve. For memory recall, ReConMem combines natural-language and code-aligned retrieval through code-draft-based query grounding, expands retrieved information over intra- and inter-graph relations, and compresses retrieved code according to its structural granularity. We evaluate ReConMem on two repository-oriented conversational benchmarks spanning long-horizon context management and realistic project-grounded multi-turn assistance. On LoCoEval, ReConMem improves Pass@1 over the strongest baseline by 7.917 and 7.292 percentage points on single-hop and multi-hop subsets, respectively, with comparable context compression. On CodeAssistBench, it achieves 27.61% Correct and 44.03% Partially Correct, exceeding Full History by 4.10 and 7.09 percentage points, respectively, while improving interaction quality. These results demonstrate that aligning conversational memory with repository structure improves context management for repository-oriented multi-turn interactions.
• Abstract（参考訳）: LLMベースのコードアシスタントは、進化する会話履歴とリポジトリコンテキストを共同で活用する必要がある、反復的なリポジトリレベルの開発でますます使われている。 しかし、既存のメモリシステムは、主に汎用的な会話のために設計されており、それが参照する構造化コードエンティティと会話情報を十分にコーディネートしていない。 本稿では,レポジトリ指向会話のためのグラフベースのデュアルメモリシステムReConMemを提案する。 ReConMemは、蒸留された会話記憶と会話関連コードエンティティを相互接続されたセマンティックおよび構造記憶グラフに整理し、相互作用が進化するにつれてそれらのクロスグラフ関連を維持する。 メモリリコールのために、ReConMemは、コードドラフトベースのクエリグラウンドングを通じて自然言語とコード整列検索を統合し、グラフ内およびグラフ間関係を介して検索情報を拡張し、その構造的粒度に応じて検索されたコードを圧縮する。 ReConMemを長期のコンテキスト管理と現実的なプロジェクト・グラウンド・マルチターン・アシストにまたがる2つのリポジトリ指向の対話型ベンチマークで評価する。 LoCoEvalでは、ReConMemがPass@1を最強のベースラインで7.917ポイント、シングルホップサブセットとマルチホップサブセットで7.292ポイント改善し、コンテキスト圧縮に匹敵する。 CodeAssistBenchでは27.61%の正確さと44.03%の部分的修正を実現し、それぞれ4.10ポイントと7.09ポイントのフルヒストリーを超えた。 これらの結果から,対話型メモリとリポジトリ構造との整合性は,リポジトリ指向のマルチターンインタラクションのコンテキスト管理を改善することが示された。

関連論文リスト

• 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)
• From Retrieval to Reconstruction: Constructing Evolvable Cognitive Memory for Long-Term Dialogue [26.55659923054542]
  PEC$2$F(Person-Event-Concept-Claim-Fact)グラフスキーマに基づく認知メモリアーキテクチャであるCogMemを紹介する。 クレームノードは主観的ステートメントのソースとターゲットを保持し、FactノードとEventノードはセマンティックとエピソードの知識を表す。 LoCoMoとLongMemEvalの実験は、特にマルチホップ、時間、知識更新タスクにおいて、強いパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-10-08T06:21:45Z)
• 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)
• Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
  大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。 メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。 MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
  論文  参考訳（メタデータ） (2026-07-15T08:32:40Z)
• MemRec: Collaborative Memory-Augmented Agentic Recommender System [57.548438733740504]
  我々はメモリ管理から推論をアーキテクチャ的に分離するフレームワークであるMemRecを提案する。 MemRecは動的コラボレーティブメモリグラフを管理する専用のLM_Memを導入した。 4つのベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-13T18:51:16Z)
• Hindsight is 20/20: Building Agent Memory that Retains, Recalls, and Reflects [11.300084544174894]
  エージェントメモリを推論のための構造化第1級基板として扱うメモリアーキテクチャであるHindsightを提案する。 情報の追加、アクセス、更新の方法を管理する3つのコア操作 – 保持、リコール、リフレクション – をサポートしている。 オープンソースの20Bモデルは、全文ベースラインで全体の精度を39%から83.6%に引き上げる。
  論文  参考訳（メタデータ） (2025-12-14T19:47:23Z)
• Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory [0.5584627289325719]
  大規模言語モデル(LLM)は、文脈的に一貫性のある応答を生成する際、顕著な進歩を示した。 しかし、それらの固定されたコンテキストウィンドウは、長時間のマルチセッション対話に対する一貫性を維持するための根本的な課題を生じさせる。 私たちはMem0というスケーラブルなメモリ中心アーキテクチャを導入し、進行中の会話から健全な情報を動的に抽出し、統合し、取得することでこの問題に対処します。
  論文  参考訳（メタデータ） (2025-04-28T01:46:35Z)
• On Memory Construction and Retrieval for Personalized Conversational Agents [69.46887405020186]
  本稿では,セグメンテーションモデルを導入し,セグメントレベルでメモリバンクを構築するセグメンテーション手法であるSeComを提案する。 実験結果から,SeComは長期会話ベンチマークLOCOMOとLong-MT-Bench+のベースラインよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2025-02-08T14:28:36Z)

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。