EviMem: 証拠ギャップ駆動型反復検索による長期対話記憶

EviMem: Evidence-Gap-Driven Iterative Retrieval for Long-Term Conversational Memory

April 30, 2026

著者: Yuyang Li, Yime He, Zeyu Zhang, Dong Gong

cs.AI

要旨

長期的な会話記憶には、複数のセッションに分散した証拠を検索する必要がある。しかし、単一パス検索では時間的質問やマルチホップ質問に対応できない。既存の反復的手法は、生成された内容や文書レベルの信号を介してクエリを洗練するが、蓄積された検索セットに何が欠けているか、すなわち証拠の不足（エビデンスギャップ）を明示的に診断することはなく、クエリ洗練の対象が不明確なままである。本論文では、EviMemを提案する。EviMemは、十分性評価を通じて証拠の不足を検出し、何が欠けているかを診断し、対象を絞ったクエリ洗練を駆動する閉ループフレームワークであるIRIS（Iterative Retrieval via Insufficiency Signals）と、きめ細かい不足診断をサポートする粗密階層型の会話証拠メモリ構造であるLaceMem（Layered Architecture for Conversational Evidence Memory）を組み合わせたものである。LoCoMoデータセットにおいて、EviMemはMIRIXと比較し、時間的質問（73.3%から81.6%）およびマルチホップ質問（65.9%から85.2%）でJudge Accuracyを向上させ、かつレイテンシを4.5倍低減した。コード：https://github.com/AIGeeksGroup/EviMem。

English

Long-term conversational memory requires retrieving evidence scattered across multiple sessions, yet single-pass retrieval fails on temporal and multi-hop questions. Existing iterative methods refine queries via generated content or document-level signals, but none explicitly diagnoses the evidence gap, namely what is missing from the accumulated retrieval set, leaving query refinement untargeted. We present EviMem, combining IRIS (Iterative Retrieval via Insufficiency Signals), a closed-loop framework that detects evidence gaps through sufficiency evaluation, diagnoses what is missing, and drives targeted query refinement, with LaceMem (Layered Architecture for Conversational Evidence Memory), a coarse-to-fine memory hierarchy supporting fine-grained gap diagnosis. On LoCoMo, EviMem improves Judge Accuracy over MIRIX on temporal (73.3% to 81.6%) and multi-hop (65.9% to 85.2%) questions at 4.5x lower latency. Code: https://github.com/AIGeeksGroup/EviMem.