MemORAI：適応型グラフ知能によるLLM会話エージェントのメモリ編成と検索

arXiv cs.CL / 2026/5/5

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

この論文は、LLM会話システムには長期的なパーソナライズされた持続メモリが欠けており、ターンをまたいだ連続性が弱まると主張している。
MemORAIは、グラフ型メモリを改良するために、保存対象を選択的にフィルタリングし、デュアル層の圧縮でユーザのペルソナに関係する情報を保持する。
さらに、ターン単位で事実の出所を追跡する、プロヴナンス強化された多関係グラフによって出所管理を実現する。
検索では、クエリに応じてサブグラフを適応的に選び、Dynamic Weighted PageRankでエッジにクエリ条件付きの重み付けを行う。
LOCOMOとLongMemEvalでの評価では、メモリ検索とパーソナライズ応答の両面で最先端の性能を示し、選択的な保存と適応的な検索が一貫性のあるエージェントに重要だと示された。

Abstract

大規模言語モデル（LLM）は、長期にわたるパーソナライズされた対話に対して持続的な記憶を持ちません。既存のグラフベースのメモリシステムは、情報の希釈、プロベナンス（出所）追跡の欠如、そして問い合わせの文脈を無視した一様な検索といった問題を抱えています。私たちは MemORAI（Memory Organization and Retrieval via Adaptive Graph Intelligence）を提案します。これは3つの革新を統合した枠組みです。ユーザーのペルソナに関連する内容を保持するための、デュアル層の圧縮による選択的メモリフィルタリング、ターン単位で事実の起源をプロベナンス情報で強化した多関係グラフによる追跡、そしてクエリに適応したサブグラフ検索です。具体的には、Dynamic Weighted PageRank によりクエリに条件付けられたエッジ重み付けを適用します。LOCOMO および LongMemEval のベンチマークで評価したところ、MemORAI はメモリ検索とパーソナライズされた応答生成において最先端の性能を達成し、選択的な保存、強化された表現、適応的な検索が、首尾一貫したパーソナライズされた LLM エージェントに不可欠であることを示しました。