エージェントメモリ管理2026/9/8arXiv:2609.08273

MemForest: EventTree分割と段階的マージによる効率的なエージェントメモリ管理

MemForest: Efficient Agent Memory Management via EventTree Partitioning and Progressive Merging

エージェントの履歴メモリをイベント単位に分割し、最大全域木と冗長ノードの段階的マージで圧縮するフレームワークを提案。メモリ圧縮率50%で性能をほぼ維持しつつ、検索を高速化した。

詳しい要約

1. どんなもの？

MemForestは、エージェントのメモリシステムにおける記憶圧縮のための一般的なフレームワークである。履歴メモリをイベント中心のユニットに分割し、各ユニットに対してEventTreeを構築し、冗長なメモリノードを段階的にマージすることでストレージコストを削減する。また、アンカー誘導伝播検索機構を導入し、検索精度を向上させる。

2. 先行研究と比べてどこがすごい？

従来のメモリ管理手法は、記憶の蓄積に伴うストレージと検索コストの増大に対処するための圧縮が不十分であった。MemForestは、イベント中心の分割と最大全域木に基づくマージにより、高い性能を維持しながらメモリを50%圧縮し、検索速度を大幅に向上させる点で優れている。

3. 技術・手法の肝は？

手法の核心は、グローバルな意味的類似性と局所的な時間的連続性を利用して履歴メモリをイベント中心のユニットに分割し、各ユニットに対して最大全域木（EventTree）を構築すること。その後、高重みのエッジを選択して冗長なメモリノードを段階的にマージする。さらに、キーノードの時間的近傍から関連メモリノードを検索するアンカー誘導伝播検索機構を導入する。

4. どうやって有効だと検証した？

Mem0フレームワーク（単一モーダル）とM3-Agentフレームワーク（マルチモーダル）の両方で評価した。Mem0では、LoCoMo、LongMemEval、PersonaMemの3つのベンチマークで、元の性能の97.1%を維持しつつ50%の圧縮率を達成し、1.89倍の検索高速化を実現。M3-Agentでは、M3-Bench-robotとM3-Bench-webの2つのベンチマークで、元の性能の99.7%を維持しつつ50%の圧縮率で2.24倍の検索高速化を達成した。

5. 議論はある？

要旨からは、MemForestの圧縮が性能に与える影響の詳細や、異なるメモリシステムへの適用可能性の限界についての議論は不明。また、圧縮率をさらに高めた場合の性能低下のトレードオフや、他のモダリティやタスクでの有効性については言及されていない。

6. 次に読むべき論文は？

要旨で参照されているMem0フレームワークとM3-Agentフレームワークに関する論文が次に読むべきである。また、関連するメモリ圧縮手法やエージェントメモリ管理の研究も挙げられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Junxi Wang, Te Sun, Jiayi Zhu, Chen Zhang, Siyuan Li, Xuyang Liu, Zichen Wen, Xiaobing Tu, Jinkui Ren, Xiantao Zhang, Ziqi Yuan, Linfeng Zhang

分類: cs.AI

原文アブストラクト

Agent memory systems have demonstrated significant potential in long-term dialogue, personalized assistants, and video understanding. However, continuously accumulated memory introduces substantial storage and retrieval costs during inference. To address this issue, we propose \textbf{MemForest}, a general memory compression framework adaptable to various agent memory systems. Specifically, MemForest partitions historical memory into event-centric units by leveraging global semantic similarity and local temporal continuity. For each unit, it constructs a maximum spanning tree, termed an EventTree, and progressively merges redundant memory nodes by selecting high-weight edges, reducing storage overhead. Furthermore, we introduce an anchor-guided propagation retrieval mechanism that retrieves relevant memory nodes from the temporal neighborhoods of key nodes, improving retrieval accuracy. Extensive experiments demonstrate the effectiveness of MemForest. Under the unimodal Mem0 framework, MemForest retains \textbf{97.1%} of the original performance while compressing \textbf{50%} of historical memory across three benchmarks (LoCoMo, LongMemEval, and PersonaMem), achieving a \textbf{1.89x} retrieval speedup. Under the multimodal M3-Agent framework, it preserves \textbf{99.7%} of the original performance with a \textbf{50%} compression ratio across two benchmarks (M3-Bench-robot and M3-Bench-web), achieving a \textbf{2.24x} retrieval speedup. \textcolor{RoyalBlue}{\textit{Our code is available at [https://github.com/Celina-love-sweet/MemForest.}}](https://github.com/Celina-love-sweet/MemForest.}})

arXivで原文を読む →arXiv概要ページ

← 論文一覧