\%）、HippoRAG（69.9
\%）、A-Mem（47.2
\%）、Nemori（52.1
\%）を上回ります。アブレーション分析では、グラフ探索に基づくランキング（Personalized PageRank）を意味探索と組み合わせることで、グラフ上のノードに対する純粋な意味探索よりも一貫して改善し、全体で+1.0パーセンテージポイントとなることが示されています。
GAAMA：エージェントのためのグラフ拡張連想記憶
arXiv cs.AI / 2026/3/31
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文では、複数のユーザーセッションにまたがってAIエージェントに永続的な長期記憶を提供するための、グラフ拡張連想記憶手法GAAMAを提案する。
- GAAMAは、フラットなRAGやベクトルベースの記憶の限界に対処するため、保存されたエピソード、LLMにより抽出された原子的な事実／概念、そして合成された高次の省察（リフレクション）から、階層的な概念媒介の知識グラフを構築する。
- システムは4種類のノードタイプ（エピソード、事実、リフレクション、概念）と複数のエッジタイプを定義し、純粋な意味的類似性だけではない横断的な探索を可能にするために概念ノードを用いる。
- 取得（リトリーバル）は、コサイン類似度によるkNNと、加算的なスコアリング方式によるエッジタイプを考慮したPersonalized PageRank（PPR）を組み合わせて行う。
- LoCoMo-10ベンチマークにおいて、GAAMAは平均報酬78.9%を達成し、複数のベースラインを上回る。さらにアブレーションでは、グラフ探索によるランキングと意味検索を組み合わせることで、意味のみの取得よりも良い結果になることが示される。
