論文の概要: Bridging the Long-Term Gap: A Memory-Active Policy for Multi-Session Task-Oriented Dialogue

• arxiv url: http://arxiv.org/abs/2505.20231v1
• Date: Mon, 26 May 2025 17:10:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 19:27:27.035181
• Title: Bridging the Long-Term Gap: A Memory-Active Policy for Multi-Session Task-Oriented Dialogue
• Title（参考訳）: 長期ギャップをブリッジする:マルチセッションタスク指向対話のためのメモリアクティベートポリシー
• Authors: Yiming Du, Bingbing Wang, Yang He, Bin Liang, Baojun Wang, Zhongyang Li, Lin Gui, Jeff Z. Pan, Ruifeng Xu, Kam-Fai Wong,
• Abstract要約: 既存のタスク指向対話(TOD)システムは、主にシングルセッション対話に焦点を当て、長期的なメモリ拡張におけるその有効性を制限する。 セッション間で長期記憶を維持するように設計された最初のマルチセッションTODデータセットであるMS-TODデータセットを紹介する。 これは、マルチセッションTODにおける長期メモリ評価のための新しいベンチマークタスクを定義する。 2段階のアプローチにより多セッション対話効率を向上させるメモリアクティベートポリシー(MAP)を提案する。
• 参考スコア（独自算出の注目度）: 46.21840714172862
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Existing Task-Oriented Dialogue (TOD) systems primarily focus on single-session dialogues, limiting their effectiveness in long-term memory augmentation. To address this challenge, we introduce a MS-TOD dataset, the first multi-session TOD dataset designed to retain long-term memory across sessions, enabling fewer turns and more efficient task completion. This defines a new benchmark task for evaluating long-term memory in multi-session TOD. Based on this new dataset, we propose a Memory-Active Policy (MAP) that improves multi-session dialogue efficiency through a two-stage approach. 1) Memory-Guided Dialogue Planning retrieves intent-aligned history, identifies key QA units via a memory judger, refines them by removing redundant questions, and generates responses based on the reconstructed memory. 2) Proactive Response Strategy detects and correct errors or omissions, ensuring efficient and accurate task completion. We evaluate MAP on MS-TOD dataset, focusing on response quality and effectiveness of the proactive strategy. Experiments on MS-TOD demonstrate that MAP significantly improves task success and turn efficiency in multi-session scenarios, while maintaining competitive performance on conventional single-session tasks.
• Abstract（参考訳）: 既存のタスク指向対話(TOD)システムは、主にシングルセッション対話に焦点を当て、長期的なメモリ拡張におけるその有効性を制限する。 この課題に対処するために、セッション間の長期記憶を維持するために設計された最初のマルチセッションTODデータセットであるMS-TODデータセットを導入し、より少ないターンとより効率的なタスク完了を可能にする。 これは、マルチセッションTODにおける長期メモリ評価のための新しいベンチマークタスクを定義する。 この新たなデータセットに基づいて,2段階のアプローチにより多セッション対話効率を向上させるメモリアクティベートポリシー(MAP)を提案する。 1)メモリガイド対話プランニングは、意図に沿った履歴を検索し、メモリ判断器を介してキーQA単位を特定し、冗長な質問を取り除き、再構成されたメモリに基づいて応答を生成する。 2) 積極的対応戦略は, 誤りや欠落を検出し, 効率的かつ正確な作業完了を確実にする。 我々は,MS-TODデータセット上でMAPを評価し,プロアクティブ戦略の応答品質と有効性に着目した。 MS-TODの実験では、MAPは従来のシングルセッションタスクの競合性能を維持しながら、タスク成功とマルチセッションシナリオの効率を著しく向上することを示した。

関連論文リスト

• Towards Multi-Granularity Memory Association and Selection for Long-Term Conversational Agents [73.77930932005354]
  我々は,多粒度アソシエーション,適応選択,検索を構築することで,メモリ統合を向上するフレームワークであるMemGASを提案する。 MemGASは多粒度メモリユニットに基づいており、ガウス混合モデルを用いて新しい記憶と過去の記憶をクラスタリングし関連付けている。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-26T06:13:07Z)
• Task-Core Memory Management and Consolidation for Long-term Continual Learning [62.880988004687815]
  我々は、長期連続学習(CL)タスクに焦点を合わせ、時間とともに膨大なタスクのストリームからモデルを逐次学習する。 従来のCL設定とは異なり、長期CLははるかに多くのタスクを処理し、破滅的な忘れ込みの問題を悪化させる。 長期連続学習(Long-CL)のための人間の記憶機構に着想を得た新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2025-05-15T04:22:35Z)
• In Prospect and Retrospect: Reflective Memory Management for Long-term Personalized Dialogue Agents [70.12342024019044]
  大規模言語モデル(LLM)は、オープンエンド対話において大きな進歩を遂げているが、関連する情報の保持と取得ができないため、その有効性は制限されている。 本稿では,長期対話エージェントのための新しいメカニズムであるリフレクティブメモリ管理(RMM)を提案する。 RMMは、LongMemEvalデータセットのメモリ管理なしでベースラインよりも10%以上精度が向上している。
  論文  参考訳（メタデータ） (2025-03-11T04:15:52Z)
• Interpersonal Memory Matters: A New Task for Proactive Dialogue Utilizing Conversational History [13.389395397698035]
  メモリ・アウェア・プロアクティブ・ダイアログ(MapDia)という新しいタスクを導入する。 そのタスクにより、自動データ構築法を提案し、中国初のメモリ対応プロアクティブデータセット(ChMapData)を作成する。 さらに、トピック要約、トピック検索、アクティブなトピックシフト検出と生成の3つのモジュールを特徴とする、検索用拡張生成(RAG)に基づくジョイントフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-03-07T05:19:17Z)
• On Memory Construction and Retrieval for Personalized Conversational Agents [69.46887405020186]
  本稿では,セグメンテーションモデルを導入し,セグメントレベルでメモリバンクを構築するセグメンテーション手法であるSeComを提案する。 実験結果から,SeComは長期会話ベンチマークLOCOMOとLong-MT-Bench+のベースラインよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2025-02-08T14:28:36Z)
• HiAgent: Hierarchical Working Memory Management for Solving Long-Horizon Agent Tasks with Large Language Model [39.169389255970806]
  HiAgentは、サブゴールをメモリチャンクとして活用して、LLM(Large Language Model)ベースのエージェントの動作メモリを階層的に管理するフレームワークである。 その結果,HiAgentは成功率を2倍に向上し,平均ステップ数を3.8倍に削減した。
  論文  参考訳（メタデータ） (2024-08-18T17:59:49Z)
• TF-SASM: Training-free Spatial-aware Sparse Memory for Multi-object Tracking [6.91631684487121]
  コンピュータビジョンにおけるマルチオブジェクト追跡(MOT)は依然として重要な課題であり、ビデオシーケンス内の複数のオブジェクトの正確な位置決めと連続的な追跡が必要である。 本稿では,オブジェクトの動きと重なり合う認識に基づいて,重要な特徴を選択的に記憶するメモリベースの新しいアプローチを提案する。 提案手法はDanceTrackテストセットのMOTRv2よりも有意に改善し,AsAスコアが2.0%,IFF1スコアが2.1%向上した。
  論文  参考訳（メタデータ） (2024-07-05T07:55:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。