論文の概要: REMI: A Novel Causal Schema Memory Architecture for Personalized Lifestyle Recommendation Agents

• arxiv url: http://arxiv.org/abs/2509.06269v1
• Date: Mon, 08 Sep 2025 01:17:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.930032
• Title: REMI: A Novel Causal Schema Memory Architecture for Personalized Lifestyle Recommendation Agents
• Title（参考訳）: REMI:パーソナライズされたライフスタイルレコメンデーションエージェントのための新しいCausal Schema Memory Architecture
• Authors: Vishal Raman, Vijai Aravindh R, Abhijith Ragav,
• Abstract要約: 個人用因果知識グラフを統合したマルチモーダルライフスタイルエージェントのための因果記憶アーキテクチャ REMI を提案する。 大規模言語モデルはこれらのコンポーネントを編成し、透過的な因果説明による回答を生成する。 結果は、CSMベースのエージェントが、よりコンテキストを意識し、ユーザーに沿ったレコメンデーションを提供できることを示している。
• 参考スコア（独自算出の注目度）: 0.5352699766206808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized AI assistants often struggle to incorporate complex personal data and causal knowledge, leading to generic advice that lacks explanatory power. We propose REMI, a Causal Schema Memory architecture for a multimodal lifestyle agent that integrates a personal causal knowledge graph, a causal reasoning engine, and a schema based planning module. The idea is to deliver explainable, personalized recommendations in domains like fashion, personal wellness, and lifestyle planning. Our architecture uses a personal causal graph of the user's life events and habits, performs goal directed causal traversals enriched with external knowledge and hypothetical reasoning, and retrieves adaptable plan schemas to generate tailored action plans. A Large Language Model orchestrates these components, producing answers with transparent causal explanations. We outline the CSM system design and introduce new evaluation metrics for personalization and explainability, including Personalization Salience Score and Causal Reasoning Accuracy, to rigorously assess its performance. Results indicate that CSM based agents can provide more context aware, user aligned recommendations compared to baseline LLM agents. This work demonstrates a novel approach to memory augmented, causal reasoning in personalized agents, advancing the development of transparent and trustworthy AI lifestyle assistants.
• Abstract（参考訳）: パーソナライズされたAIアシスタントは、複雑な個人データと因果知識を組み込むのに苦労することが多く、説明力に欠ける一般的なアドバイスにつながる。 本稿では,個人用因果知識グラフ,因果推論エンジン,スキーマベースの計画モジュールを統合したマルチモーダルライフスタイルエージェントのための因果記憶アーキテクチャであるREMIを提案する。 このアイデアは、ファッション、個人のウェルネス、ライフスタイル計画といった領域で説明可能なパーソナライズされたレコメンデーションを提供することだ。 我々のアーキテクチャでは,ユーザの生活状況や習慣の個人的因果グラフを用いて,外部知識と仮説推論に富んだ因果トラバーサルを目標として実行し,適切な行動計画を生成するための適応可能な計画スキーマを検索する。 大規模言語モデルはこれらのコンポーネントを編成し、透過的な因果説明による回答を生成する。 本稿では, CSMシステム設計の概要と, パーソナライズ・サリエンススコアや因果推論精度など, パーソナライズと説明可能性に関する新たな評価指標を導入し, その性能を厳格に評価する。 その結果, CSM ベースのエージェントは, ベースライン LLM エージェントと比較して, よりコンテキストを意識した, ユーザ対応のレコメンデーションを提供できることがわかった。 この研究は、パーソナライズされたエージェントにおけるメモリ拡張、因果推論に対する新しいアプローチを示し、透明で信頼性の高いAIライフスタイルアシスタントの開発を進める。

関連論文リスト

• Reasoning Meets Personalization: Unleashing the Potential of Large Reasoning Model for Personalized Generation [21.89080753903469]
  パーソナライズタスクのための大規模推論モデル(LRM)の最初の体系的評価について述べる。 本分析では, 分散思考, 応答形式の不整合, 検索情報の有効利用の3つの重要な限界を同定した。 階層的推論思考テンプレートを組み込んだ新しいフレームワークであるReinforced Reasoning for Personalization (model)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T07:30:13Z)
• Embodied Agents Meet Personalization: Exploring Memory Utilization for Personalized Assistance [18.820008753896623]
  大規模言語モデル(LLM)によって強化されたエンボディードエージェントは,家庭内オブジェクト再構成タスクにおいて高い性能を示した。 しかし、パーソナライズされた支援のためのメモリ利用におけるエンボディードエージェントの有効性は、いまだに過小評価されている。 本稿では,メモリ利用能力の評価を目的とした個人化エージェント評価フレームワークであるMementOについて述べる。
  論文  参考訳（メタデータ） (2025-05-22T08:00:10Z)
• A Survey of Personalization: From RAG to Agent [48.34245916821302]
  パーソナライゼーションは現代のAIシステムにおいて不可欠な機能となり、個々のユーザの好みやコンテキスト、目標に合わせてカスタマイズされたインタラクションを可能にしている。 最近の研究は、ユーザ満足度を高めるために、Retrieval-Augmented Generation (RAG)フレームワークと、パーソナライズされた設定内のより高度なエージェントベースのアーキテクチャへの進化に集中している。 本調査は,RAGの3段階(検索前,検索後,生成前)のパーソナライゼーションを体系的に検討した。
  論文  参考訳（メタデータ） (2025-04-14T11:57:52Z)
• Agentic Knowledgeable Self-awareness [79.25908923383776]
  KnowSelfはデータ中心のアプローチで、人間のような知識のある自己認識を持つエージェントを応用する。 我々の実験により、KnowSelfは、外部知識を最小限に使用して、様々なタスクやモデルにおいて、様々な強力なベースラインを達成できることが実証された。
  論文  参考訳（メタデータ） (2025-04-04T16:03:38Z)
• Personalized Graph-Based Retrieval for Large Language Models [51.7278897841697]
  ユーザ中心の知識グラフを利用してパーソナライゼーションを強化するフレームワークを提案する。 構造化されたユーザ知識を直接検索プロセスに統合し、ユーザ関連コンテキストにプロンプトを拡大することにより、PGraphはコンテキスト理解と出力品質を向上させる。 また,ユーザ履歴が不足あるいは利用できない実環境において,パーソナライズされたテキスト生成タスクを評価するために設計された,パーソナライズドグラフベースのテキスト生成ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-01-04T01:46:49Z)
• ReasonPlanner: Enhancing Autonomous Planning in Dynamic Environments with Temporal Knowledge Graphs and LLMs [0.32141666878560626]
  本稿では,リフレクティブ思考,計画,対話的推論のための新しいジェネラリストエージェントReasonPlannerを紹介する。 ReasonPlannerはScienceWorldベンチマークの従来の最先端のプロンプトベースの手法を1.8倍以上上回っている。 凍結重量のみに依存するため、勾配更新は不要である。
  論文  参考訳（メタデータ） (2024-10-11T20:58:51Z)
• Not all users are the same: Providing personalized explanations for sequential decision making problems [25.24098967133101]
  本研究では,エンドツーエンドの適応的説明生成システムを提案する。 最初は、エージェントが対話できるさまざまなタイプのユーザを学習することから始まる。 その後、ハエの型を特定し、それに応じて説明を調整する。
  論文  参考訳（メタデータ） (2021-06-23T07:46:19Z)
• A Consciousness-Inspired Planning Agent for Model-Based Reinforcement Learning [104.3643447579578]
  本稿では、その状態の関連部分に動的に対応できるエンドツーエンドのモデルベース深層強化学習エージェントを提案する。 この設計により、エージェントは関連するオブジェクトに参画することで効果的に計画を学ぶことができ、配布外一般化がより良くなる。
  論文  参考訳（メタデータ） (2021-06-03T19:35:19Z)

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。