深度分析
HGMem：以超圖記憶（Hypergraph）強化多步驟 RAG 的長文本全域關聯推理
面對長文本與跨段證據的複雜推理需求，研究提出超圖記憶機制HGMem，將記憶建構為超邊集合，透過更新、插入與合併逐步形成高階關聯，並以超圖拓樸指引子查詢與檢索，讓模型以結構化命題展開推理。實驗證明HGMem在多項全域理解任務中優於既有RAG基線，並兼顧效能與成本。
超圖記憶
深度分析
FD-RAG：以超圖記憶與雙系統分流優化邊緣檢索增強生成
在資料分散與運算受限的邊緣環境，FD-RAG以語意超圖與輕量QA記憶分離檢索與推理。系統以Memorizer直接回應覆蓋良好的問題，僅在必要時由Cognizer呼叫LLM理性推演，並透過聯邦匿名記憶彙整改善跨裝置知識斷裂，實驗顯示在多項QA基準上精準度提升且延遲大幅降低。並且提出超圖學習的收斂保證，支持邊緣部署的可行性。
深度分析
HyperMem：以超圖記憶提升長期對話的高階關聯檢索
長期對話需要記憶以維持連貫性。研究提出HyperMem，以超圖結構將主題、情節、事實以超邊關聯，並採用混合索引與粗細檢索。此架構克服傳統二元關係限制，提升高階關聯檢索效率，實驗在LoCoMo基準上達92.73%準確率。