論文の概要: MIGRO: A Decoupled and Portable Long-Term Memory System for Language Models
- arxiv url: http://arxiv.org/abs/2611.15315v1
- Date: Wed, 11 Nov 2026 10:52:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.106784
- Title: MIGRO: A Decoupled and Portable Long-Term Memory System for Language Models
- Title(参考訳): MIGRO: 言語モデルのための疎結合でポータブルな長期記憶システム
- Abstract要約: 連続した言語モデル間で共有される永続状態として経験を扱える、疎結合な長期記憶システムMIGROを提案する。
共有セマンティックインデックスは検索をサポートし、正確なレコードは観測と歴史的な関係を保持する。
MIGROは、高い応答品質、ホスト間のメモリ成長の継続、ストレージコストの低減を兼ね備えている。
- 参考スコア(独自算出の注目度): 58.34167934835918
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Language models evolve, but the observations, revisions, and context accumulated through user interactions should remain usable. Each new model must be able to retrieve past evidence, track revisions, and add new observations. We present MIGRO, a decoupled long-term memory system that treats experience as a persistent state shared across successive language models. MIGRO follows a simple principle: preserve historical evidence exactly, organize it approximately, and decide what to retrieve only when the question is known. We call this asymmetric fidelity with deferred selectivity. A shared semantic index supports retrieval, while exact records retain observations and their historical relationships. Because models differ in vocabulary and tokenization, host-specific interfaces convert selected evidence into inputs the receiving model can use. Reversible encoding reduces archival storage while enabling exact recovery. The shared state and its access interfaces let successive hosts read and extend the accumulated experience. On matched LoCoMo states, MIGRO scores 7.3% higher and uses 99.3% less private memory than the strongest quality baseline. After handoff, continued writing retains 99.9% of full-history rebuilding quality by extending the inherited state. On million-token BEAM histories, MIGRO uses 57.5% less private storage on average than the most compact baseline. MIGRO combines high answer quality, continued memory growth across hosts, and low storage cost. Code is available at https://github.com/zOUMINGXI/MIGRO.
- Abstract(参考訳): 言語モデルは進化するが、ユーザインタラクションを通じて蓄積された観察、リビジョン、コンテキストは引き続き有用であるべきである。
それぞれの新しいモデルは、過去の証拠を回収し、リビジョンを追跡し、新しい観察を追加できなければならない。
連続した言語モデル間で共有される永続状態として経験を扱える、疎結合な長期記憶システムMIGROを提案する。
MIGROは単純な原則に従っており、歴史的証拠を正確に保存し、それを概略整理し、疑問が発覚した時にのみ何を取得するかを決定する。
我々はこの非対称忠実度を遅延選択性(deferred selectivity)と呼ぶ。
共有セマンティックインデックスは検索をサポートし、正確なレコードは観測と歴史的な関係を保持する。
モデルは語彙やトークン化が異なるため、ホスト固有のインターフェースは選択したエビデンスを受信モデルが利用できる入力に変換する。
可逆エンコーディングは、正確な回復を可能にしながら、アーカイブストレージを減らす。
共有状態とそのアクセスインターフェースは、連続するホストが蓄積したエクスペリエンスを読み出し拡張することを可能にする。
マッチしたLoCoMo状態では、MIGROのスコアは7.3%高く、最も高品質なベースラインよりも99.3%少ないプライベートメモリを使用する。
引き渡し後、継続書き込みは、継承された状態を拡張することで、フルヒストリーの再構築品質の99.9%を維持している。
BEAMの100万の履歴では、MIGROは最もコンパクトなベースラインよりも平均57.5%少ないプライベートストレージを使用している。
MIGROは、高い応答品質、ホスト間のメモリ成長の継続、ストレージコストの低減を兼ね備えている。
コードはhttps://github.com/zOUMINGXI/MIGROで入手できる。
関連論文リスト
- Multimodal Filesystem Memory For Long-Horizon Embodied Agents [54.82315140171704]
エージェントメモリの補完型を保持するマルチモーダルメモリアーキテクチャである textbfMFM を提案する。
MFMは検索可能なテキストレコードを使用して、異なる表現を基礎となるマルチモーダルエピソードに接続する。
長い水平マインクラフトとコンピュータ使用タスクの場合、MFMは3つのベースモデルで性能を向上させる。
論文 参考訳(メタデータ) (2026-10-15T21:56:00Z) - 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) - MINDSET: Energy-based Schema Evolution for Long Conversational Agent Memory [0.0]
有用なメモリシステムは、現在の状態と過去の状態の両方を保存する必要がある。
本稿では,会話を不変のエピソードとして記憶するメモリコントローラMINDSETを紹介する。
再現可能な850の質問に対して,MINDSETを5つのメモリシステムに対して評価した。
論文 参考訳(メタデータ) (2026-10-06T15:55:42Z) - Memory Control Signals Emerge Before Action in Long Horizon Agents [55.84813053778976]
各エージェントアクションの直前に隠された状態を調べ、圧縮とリコールの要求がモデルの内部表現にすでにエンコードされていることを確認する。
本研究では,状態誘導圧縮と外部エビデンス検索を組み合わせたPreaction Memory with Evidence Retrieval (PaMER)を提案する。
論文 参考訳(メタデータ) (2026-09-23T03:23:34Z) - TransMem: Transforming Hidden States into Memory for Large Language Models [29.656816378992414]
大規模言語モデル(LLM)エージェントは、長い相互作用履歴を通してますます機能する。
TransMemは、凍結したLCMバックボーンから再利用可能なメモリ表現に変換する。
論文 参考訳(メタデータ) (2026-07-31T05:11:04Z) - 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) - HMT: Hierarchical Memory Transformer for Efficient Long Context Language Processing [33.720656946186885]
Hierarchical Memory Transformer (HMT) はモデル長文処理を容易にする新しいフレームワークである。
HMTは、既存のモデルの長文処理能力を一貫して改善する。
論文 参考訳(メタデータ) (2024-05-09T19:32:49Z) - LaMemo: Language Modeling with Look-Ahead Memory [50.6248714811912]
右側トークンへの漸進的参加により再帰記憶を向上させるLook-Ahead Memory(LaMemo)を提案する。
LaMemoは、メモリ長に比例した追加のオーバーヘッドで、双方向の注意とセグメントの再発を受け入れる。
広く使われている言語モデリングベンチマークの実験は、異なる種類のメモリを備えたベースラインよりも優れていることを示した。
論文 参考訳(メタデータ) (2022-04-15T06:11:25Z)
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。