Fortunate Recall：Ontology駆動のLLM記憶ライフサイクル管理
LLMの記憶システムがすべての個人事実を一律に扱い、記憶の無制限な膨張と検索精度の低下を招く問題に対処するため、本論文はコンポーザブルなポリシー層であるFortunate Recall（FR）を提案する。FRは個人事実を10+1の行動オントロジーに分類し、差分時間減衰、スロットキーの置換、イベント時間の有効性、カテゴリ認識の検索ルーティングといったカテゴリ固有のライフサイクル戦略を適用する。これらはすべてLLM抽出メタ関数上の決定論的関数として実装される。インフラストラクチャに依存しないFR-Bankは、新たに構築した516問の時序曖昧さ解消ベンチマークLifecycleBenchで76.9%の正解率を達成し、Mem0・A-MEM・Memory-R1・MemoryOS（61%–70.5%）を上回る。また標準的なWu et al.評価プロトocolのLongMemEval-Sで75.2%を達成し、ライフサイクル戦略が標準検索に与えるコストは無視できるほど小さいことを示す。アブレーション実験から、正しさは汎用メタデータ、較正は行動オントロジーが担い、下流のハルシネーションを半減させることがわかる。これはオープン重みのKimi K2.5でも再現される。
背景と概要
大言語モデルの記憶システムには、信頼性が時間とともに損なわれる構造的欠陥がある。既存のアーキテクチャは、ユーザーが提供するすべての個人事実を同等重要に取り扱い、事実のカテゴリの区別や時間的有効性の考慮を行わない。記憶の保存は無限に膨張し、コーパスが拡大するにつれ検索精度は低下していく。著者らは、この問題のコアはライフサイクル管理にあると指摘する。どの記憶を長期保持し、どの記憶を置き換えるのか、どのような速度で置き換えるのか、そして各事実の行動タイプに条件づけて決定することが課題だ。
論文はこれを解決するコンポーザブルなポリシー層、Fortunate Recall（FR）を提案する。FRは個人事実を10+1のカテゴリからなる行動オントロジーに分類し、継続成り立つ事実と特定のイベントウィンドウ内でのみ有効な事実を区別する。各カテゴリには単一の普遍則ではなく、 tailored なライフサイクル戦略が適用される。これにより記憶は受動的な保存容器から、保持と淘汰が事実の意味に基づいて行われる自己制御システムへと転換する。
深掘り分析
FRは4つのカテゴリ固有のライフサイクル戦略を、すべてLLMが抽出したメタ関数上の決定論的関数として実装する。差分時間減衰は、一部の事実をゆっくり減衰させ、他の事実をイベントウィンドウが閉じた直後に急速に失効させる。スロットキーの置換は、新しい事実が同じ意味的槽を占める古い記録を自動的に上書きできるようにし、単一槽内への蓄積を防ぐ。イベント時間の有効性は、特定の事実を明確な有効区間に束ね、期限後に自然に除去されるようにする。カテゴリ認識の検索ルーティングは、カテゴリの一致に基づいてクエリを最も関連性の高い記憶クラスターへ誘導する。
インフラストラクチャに依存しない実装のFR-Bankは、これらの戦略を様々な保存バックエンド間で展開できる。新たに構築した516問の時序曖昧さ解消ベンチマークLifecycleBenchでは、時間の衝突や事実の更新に対する判断能力を評価するこのベンチマークでFR-Bankは76.9%の正解率を達成する。Mem0、A-MEM、Memory-R1、MemoryOSを上回り、これらは61%から70.5%の範囲だ。標準的なWu et al.評価プロトocolのLongMemEval-Sでは75.2%に達し、ライフサイクル戦略が標準検索に与えるコストは無視できるほど小さいことを示す。
事前登録されたアブレーション実験は、增益の由来を正確に特定する。タイプ認識層を3つの汎用ライフサイクル原語で置換しても、正確性は統計的に有意な変化を示さず、-1.7ポイント、95%信頼区間は-6.0から+2.7だった。汎用ライフサイクルメタデータが正確性の優位性を担い、行動オントロジーが主に較正を担い、下流のハルシネーションを24.2%から12.0%に半減させる（pは0.001未満）。エンドツーエンドでは、FR-BankはMem0のハルシネーション率を、回答済みクエリでは45.1%から22.4%に、全クエリでは32.2%から13.0%に下げながら、正確に回答された問題の割合を18.6%から31.2%に高める。
業界への影響
この論文は、長期記憶システム向けに移植可能なアーキテクチャの範式を提供する。記憶管理を受動的な保存能从、能動的なライフサイクルガバナンスへと再定義するものだ。インフラストラクチャに依存しないFR-Bankの設計は、様々な保存バックエンドへシームレスに統合されることで、産業的な採用の障壁を低下させる。行動オントロジーとライフサイクル戦略の解耦は、研究者が正確性と較正を独立して最適化できるようにし、後続の研究に明確な方向性を提供する。
著者らはオントロジー、ベンチマーク、コードをオープンソースとして公開する。新たに構築したLifecycleBenchとBEAMは、長年無視されてきた時序曖昧さ解消に対して標準化された評価ツールを提供し、コミュニティの記憶の時効性に対する関心を高める可能性がある。Mem0の45.1%から22.4%へのハルシネーション率の半減は、実世界での展開における信頼性向上への主要な経路を直接的に示している。
今後の展望
このランキングはオープン重みのKimi K2.5で再現され、アプローチがモデルファミリー全体で検証される。独立して構築したBEAMベンチマークでは、分解アプローチの移植性が示され、280問中46.8%の正確性を達成し、Mem0は32.9%だ。オントロジーによる增益は矛盾の解決に集中し、システムが6つの戦略クラスターに近づくと飽和する。これらの結果は、ライフサイクル管理が記憶アーキテクチャの標準的な構成要素となり、行動オントロジーが、生の正確性の向上を超えて、生産システムにおける測定可能な信頼性の向上へと及ぶ較正効果を提供することを示唆する。
将来の方向性として、オントロジーと戦略の解耦は、記憶システムの設計をより構造化されたものにする。カテゴリごとに減衰速度や有効性を個別に調整できるため、実世界のアプリケーションで記憶の鮮度と正確性のバランスを細かく制御できる。オープンソース化により、時序曖昧さ解消という分野の標準的な評価基盤が形成され、今後の研究がこの課題に集中しやすくなる。信頼性の向上が実証された手法であるため、記憶機能を備えたシステムの標準的な構成要素として定着する可能性が高い。
Sources
FAQ
Fortunate Recall (FR) は、LLMの記憶システムにおけるどのような核心的な問題を解決することを目指していますか？
FRは、LLM記憶システムが全ての個人事実を等しく扱い、記憶の無制限な膨張と検索精度の低下を引き起こす問題を、ライフサイクル管理を通じて解決します。
FRはどのようにLLMの記憶ライフサイクルを管理し、その主な戦略は何ですか？
FRは、事実を10+1の行動オントロジーに分類し、差別化された時間減衰、スロットキー置換、イベント時間の有効性、カテゴリ認識検索ルーティングなどの戦略を適用して記憶を管理します。
Fortunate Recallの導入は、LLMの将来の発展にどのような潜在的な影響を与えますか？
FRは、記憶管理を能動的なライフサイクルガバナンスへと転換する移植可能なアーキテクチャパラダイムを提供し、LLMの信頼性を大幅に向上させる可能性があります。