人工知能の選択的記憶: 階層アーカイブを用いた書き込み時ゲーティング

要旨: 検索補助付き生成はすべてのコンテンツを区別なく格納し、ノイズが蓄積するにつれて精度を低下させる。パラメトリック手法は知識を重みの中へ圧縮し、選択的な更新を不可能にする。どちらも生物学的記憶を模していない。生物は顕著性に基づいて符号化をゲート制御し、過去の情報を削除するのではなくアーカイブする。私たちは入ってくる知識オブジェクトを複合顕著性スコア（情報源の評判、新規性、信頼性）を用いてフィルタリングする書き込み時ゲーティングを導入し、以前の状態を保持するバージョンチェーンを維持する。品質ラベルへのオラクルアクセスなしで実測のLLM評価を用いて、書き込み時ゲーティングは100％の精度を達成するのに対し、ゲートなしの格納は13％だった。重要な発見はディストラクター比率のスケーリング下で現れる：8:1のディストラクター比率では、読み取り時フィルタリング（Self-RAG）は0％に崩壊する一方、書き込み時ゲーティングは100％を維持し、書き込み時と読み取り時のキュレーションの構造的優位性を明らかにする。Wikipedia（20エンティティ）、手続き的に生成された薬理データ、そして2026年のarXiv論文でこれらの発見を検証している。パラメトリック記憶サポートに対してゲーティングの優位性は反比例的に拡大する：Wikipediaでは＋25pp、cutoff後のarXivでは＋48pp、訓練知識ゼロの手続きデータでは＋65pp。信号アブレーションは、この方法がオラクルと相関したメタデータに依存していないことを確認する。書き込み時ゲーティングはSelf-RAGの精度と同等で、クエリ時間コストの9分の1で実現する。