論文の概要: DISCERN: Preserve at Write, Resolve at Read for Persistent LLM-Agent Memory
- arxiv url: http://arxiv.org/abs/2611.15729v1
- Date: Wed, 11 Nov 2026 17:06:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.201936
- Title: DISCERN: Preserve at Write, Resolve at Read for Persistent LLM-Agent Memory
- Title(参考訳): DISCERN: 書き込み時の保存、読み取り時の解決、永続LLM-Agentメモリ
- Abstract要約: ENT-310では、メモリストア上のバニラリトリーバル拡張ジェネレーションリーダが、リコールピラー上の強力なメモリシステムにマッチする。
我々は、単一のルールに基づいて構築されたエージェントメモリフレームワークであるdisCERNを提案し、書き込み時に保存し、読み取り時に解決する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Enterprise agents accumulate memory across dozens of sessions in which facts contradict, get superseded, and blur as similarly named entities collide in embedding space. The field treats this as a retrieval problem; we show it is not. On ENT-310, a synthetic enterprise sales-agent memory benchmark of 310 queries (210 answerable, 100 unanswerable), a vanilla Retrieval-Augmented Generation (RAG) reader over a memory store already matches strong memory systems on the recall pillars. Retention and currency are near-saturated, roughly 0.93 to 0.98 for every competent system, so recall is essentially solved. What remains unsolved is resolution: which entity a query refers to, which time-state is current, and whether to commit an answer at all or decline when evidence is insufficient. We propose DISCERN (DISambiguation and Cross-session Episodic memoRy Navigation), an agent-memory framework built on a single rule: preserve at write, resolve at read. At write time DISCERN builds a strictly additive bi-temporal provenance graph that never merges confusable entities and never drops superseded values. At read time a zero-LLM tool surface drives an agentic loop that navigates this graph and commits exactly one of four gated terminal actions. A four-judge LLM-as-a-Judge council scores two axes: answer correctness on answerable questions, and the answer-versus-abstain decision as a classification problem. On ENT-310, DISCERN is the best-calibrated system on abstention (F1 0.924 versus at most 0.802 across eight baselines) and leads macro answer correctness under equal pillar weighting (0.861 versus 0.806 for the strongest baseline), a lead driven by entity resolution (0.800, where no baseline exceeds 0.40). Applied with zero tuning to the full LoCoMo corpus, the same pipeline again leads macro answer correctness (0.663 versus 0.638) and stays among the best-calibrated on false-premise abstention.
- Abstract(参考訳): 企業エージェントは、事実が矛盾し、過小評価され、同様に名前の付いたエンティティが埋め込みスペースに衝突するなど、数十のセッションでメモリを蓄積する。
フィールドは、これを検索問題として扱い、そうではないことを示す。
ENT-310では、メモリストア上のバニラレトリーバル拡張生成(RAG)リーダーが、リコールピラー上の強いメモリシステムとすでに一致している。
保持と通貨は、ほぼ飽和しており、全ての有能なシステムに対して約0.93から0.98である。
解決されていないのは、どのエンティティがクエリを参照しているか、どの状態が現在のか、答えを全くコミットするか、証拠が不十分な場合に解答を下ろすか、である。
DISCERN (DISambiguation and Cross-Session Episodic MemoRy Navigation) は単一のルール上に構築されたエージェントメモリフレームワークである。
書き込み時にdisCERNは厳密に付加的なバイテンポラルな前処理グラフを構築します。
読み込み時にゼロLLMツールサーフェスはエージェントループを駆動し、このグラフをナビゲートし、4つのゲート終端アクションの1つを正確にコミットする。
LLM-as-a-Judge協議会は、回答可能な質問に対する回答の正しさと、回答の可否判定を分類問題として2つの軸をスコア付けしている。
ENT-310では、 DisCERN は棄権に関する最良の校正システム(F1 0.924 対 8 基線を少なくとも 0.802 対)であり、同じ柱重み付け(最強基線では 0.861 対 0.806 対 0.806 )の下でマクロ解の正しさを導く(0.800 は基線が 0.40 を超えない)。
完全なLoCoMoコーパスにゼロチューニングを施すと、同じパイプラインが再びマクロ応答の正しさ(0.663対0.638)を導き、虚偽の前提の棄却に最も適している。
関連論文リスト
- CAREFUL-Bench: Effect-Aware, Judge-Free Evaluation of Multi-Turn LLM Function Calling [45.88028371034407]
バークレー関数呼び出しリーダーボードは、シミュレートされたサービスの最終的な状態のみをチェックする。
ジャッジフリーのリプレイスコアラは、ログ化された任意のBFCLランをリスコアし、800の参照トラジェクトリすべてでBFCLの結果を再生する。
確認対応プロトコルは、提案に答える決定論的ユーザを追加する。
論文 参考訳(メタデータ) (2026-11-02T11:47:05Z) - DuplexLedger: Benchmarking Transactional Memory in Full-Duplex Speech Agents [52.50536965397534]
フルメモリ音声エージェントは、リスニングと会話を継続的に更新する必要がある。
強い制御とコヒーレントなコヒーレントステートメモリを組み合わせたシステムは存在しない。
本稿では,型付きレトリバーを備えたイベントコントローラACTMemを提案する。
論文 参考訳(メタデータ) (2026-10-20T03:47:06Z) - The Right Memory in the Wrong Context: Verifying Retrieval Admissibility in Long-Term Agent Memory [5.138725534209034]
長期記憶エージェントは、他のプリンシパルに属し、ポリシーに違反したり、ライフサイクル状態を反映したりするため、現在の要求に対して許容できない情報を検索することができる。
本稿では,各メモリクエリ対に3つの状態(許容,不許容,未解決)の1つを割り当てる検索許容検証フレームワークを提案する。
論文 参考訳(メタデータ) (2026-10-05T19:47:43Z) - COUNTERMEM: World-Model Verified Counter-Factual Memory for Language Agents [40.59788210629839]
COUNTERMEMは、タスク間で検証済みの反ファクトメモリの構築と使用のための強化学習フレームワークである。
動作が失敗した後、COUNTERMEMは元の状態のコピーまたはリセットからローカル代替品を評価する。
オリジナルと修正されたアクション、チェック結果、再利用条件の改善を格納する。
論文 参考訳(メタデータ) (2026-09-25T18:12:38Z) - From Production Traffic to Post-Training: Building a Self-Hosted LLM That Covers the Corporate Request Mix [55.08143827481755]
200以上の内部アプリケーションから1つのモデルにトラフィックを集約します。
我々は、各軸ごとに別々のGRPOエキスパートを訓練し、2段階のSLERPを介してそれらをマージする。
このモデルは、プラットフォームトラフィックの50%、月1億6600万リクエストをサービスコストのごく一部で吸収する。
論文 参考訳(メタデータ) (2026-09-01T17:39:26Z) - Hindsight Memory-PRM: Supervising Memory Management with Auditable Hindsight Credit [48.811961095386]
Hindsight Memory-PRMはこの監査パスを2回利用します。
オフラインで操作条件付きメモリユーティリティの批判をトレーニングする。
オンラインでは、検索、引用、および1つの制御された削除と再回答が、介入校正されたエントリーレベルのプレゼンスクレジットを確定する。
論文 参考訳(メタデータ) (2026-08-30T06:53:13Z) - The Recall Trap: A Recall-Maximizing Retriever Configuration Reduces Issue Resolution in Fixed-Budget Code Context [45.88028371034407]
コード修復における制御ケーススタディを報告し,新しい現象ではない。
私たちは、同じスタック上の1つのフラグ(1チャンク毎の重複)を切り替えます。
BM25(3.2pp、重要なパラダイム間相互作用)を逆転させる。
厳格な固定予算では、ファイルごとのハードダイドプリケートや、タスクに対するA/Bパッケージングポリシは、メトリックフラグを調整しないことが示されます。
論文 参考訳(メタデータ) (2026-08-14T19:22:50Z) - Control-Plane Placement Shapes Forgetting: An Architectural Study of Agent Memory Across Thirteen System Configurations [1.2763567932588586]
ForgetEvalは1000ケースのテンプレート・スイートと385ケースの対向層(手作り+253 LLMのオラクル・バリデーション)
決定論的プリミティブは語彙的・時間的カテゴリーで十分だが、正準化に失敗する。
1000ケースのテンプレートスイートと385ケースの反対層であるForgetEvalを通じて、トレードオフを公開しています。
論文 参考訳(メタデータ) (2026-06-14T16:32:15Z) - Less Context, More Accuracy: A Bi-Temporal Memory Engine for LLM Agents Where a Lean Retrieved Context Beats the Full History [2.5401434059780468]
Engramは、バイテンポラルデータモデル上のデュアルプロセスメモリエンジンである。
高速書き込みパスは、クリティカルパスにLSMなしでエピソードを付加する。
ハイブリッドリードパスは、密度、語彙、グラフ、および電流/セイレンス信号を融合する。
論文 参考訳(メタデータ) (2026-06-05T11:43:56Z) - MemX: A Local-First Long-Term Memory System for AI Assistants [0.0]
我々は、安定性指向の検索設計を備えたAIのためのローカルファーストの長期記憶システムであるMemXを提案する。
MemXは、libとOpenAI互換の組み込みAPI上にRustで実装されており、会話エージェントに対して永続的で検索可能な、説明可能なメモリを提供する。
論文 参考訳(メタデータ) (2026-03-17T06:39:54Z)
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。