HingeMem：境界誘導型の長期メモリとクエリ適応型リトリーバルによるスケーラブル対話

要旨: 長期記憶は、継続的で持続可能かつパーソナライズされた対話的相互作用を支援する対話システムにとって重要です。しかし、既存の手法は連続的な要約に依存するか、OpenIE に基づくグラフ構築と固定された Top-\textit{k} 検索を組み合わせるものが中心であり、その結果、クエリカテゴリ間での適応性が限られ、計算コストも高くなってしまいます。本論文では、HingeMem を提案します。HingeMem は、事象セグメンテーション理論を実装して、4 つの要素（人物、時刻、場所、話題）に対する境界トリガ付きハイパーエッジを用い、解釈可能なインデクシング・インターフェースを構築する境界ガイド型の長期記憶です。これらのいずれかの要素が変化したとき、HingeMem は境界を引き、現在のセグメントを書き込みます。これにより、冗長な操作を削減し、重要な文脈を保持できます。多様な情報要求のもとで頑健かつ効率的な検索を可能にするために、HingeMem はクエリ適応型の検索メカニズムを導入し、共同で次を決定します：(a) \textit{何を取得するか}: 要素インデクス付きメモリに対する、クエリ条件付きルーティングを決定する；(b) \textit{どれだけ取得するか}: 推定されるクエリタイプに基づいて、取得の深さを制御する。LLM スケール（0.6B から本番レベルのモデルまで；\textit{例}: Qwen3-0.6B から Qwen-Flash）にまたがる LOCOMO での大規模実験により、HingeMem はクエリカテゴリ指定なしで強力なベースラインに対して約 20\% の相対改善を達成し、さらに計算コストも削減します（HippoRAG2 と比べて 68\%\downarrow の質問応答トークンコスト）。メモリモデリングの前進に加え、HingeMem の適応的検索は、長期の相互作用にわたって効率的かつ信頼できるメモリを必要とする Web アプリケーションにとって強力に適合します。