論文の概要: Memory Bear AI Memory Science Engine for Multimodal Affective Intelligence: A Technical Report
- arxiv url: http://arxiv.org/abs/2603.22306v1
- Date: Wed, 18 Mar 2026 10:23:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-25 19:53:37.042864
- Title: Memory Bear AI Memory Science Engine for Multimodal Affective Intelligence: A Technical Report
- Title（参考訳）: マルチモーダル・アフェクティブ・インテリジェンスのためのメモリベアAIメモリサイエンスエンジン:技術報告
- Authors: Deliang Wen, Ke Sun, Yu Wang,
- Abstract要約: Memory Bear AI Memory Science Engineは、マルチモーダル感情インテリジェンスのためのメモリ中心のフレームワークである。
構造化メモリ形成、ワークメモリ集約、長期統合、メモリ駆動型検索、動的核融合校正、継続的なメモリ更新による処理を組織化する。
実験結果から、ベンチマークとビジネスグラウンド設定を比較した結果、一貫した利得が得られた。
- 参考スコア（独自算出の注目度）: 3.9870633524104107
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Affective judgment in real interaction is rarely a purely local prediction problem. Emotional meaning often depends on prior trajectory, accumulated context, and multimodal evidence that may be weak, noisy, or incomplete at the current moment. Although multimodal emotion recognition (MER) has improved the integration of text, speech, and visual signals, many existing systems remain optimized for short-range inference and provide limited support for persistent affective memory, long-horizon dependency modeling, and robust interpretation under imperfect input. This technical report presents the Memory Bear AI Memory Science Engine, a memory-centered framework for multimodal affective intelligence. Instead of treating emotion as a transient output label, the framework models affective information as a structured and evolving variable within a memory system. It organizes processing through structured memory formation, working-memory aggregation, long-term consolidation, memory-driven retrieval, dynamic fusion calibration, and continuous memory updating. At its core, multimodal signals are transformed into structured Emotion Memory Units (EMUs), enabling affective information to be preserved, reactivated, and revised across interaction horizons. Experimental results show consistent gains over comparison systems across benchmark and business-grounded settings, with stronger accuracy and robustness, especially under noisy or missing-modality conditions. The framework offers a practical step from local emotion recognition toward more continuous, robust, and deployment-relevant affective intelligence.
- Abstract（参考訳）: 実際の相互作用における影響判断は、純粋に局所的な予測問題であることが多い。
感情の意味は、しばしば、現在の瞬間において弱い、うるさい、または不完全であるかもしれない、事前の軌跡、蓄積された文脈、および多様の証拠に依存する。
マルチモーダル感情認識(MER)は、テキスト、音声、視覚信号の統合を改善しているが、多くの既存システムは、短距離推論に最適化されており、永続的な感情記憶、長期依存性モデリング、不完全な入力下での堅牢な解釈を限定的にサポートしている。
この技術レポートは、マルチモーダル感情知能のためのメモリ中心のフレームワークであるMemory Bear AI Memory Science Engineを提示する。
感情を過渡的な出力ラベルとして扱う代わりに、このフレームワークは感情情報をメモリシステム内で構造化され進化する変数としてモデル化する。
構造化メモリ形成、ワークメモリ集約、長期統合、メモリ駆動型検索、動的核融合校正、継続的なメモリ更新による処理を組織化する。
中心となるマルチモーダル信号は構造化された感情記憶ユニット(EMU)に変換され、感情情報を保存し、再活性化し、相互作用の地平線を越えて修正することができる。
実験の結果、特にノイズやモダリティの低い条件下では、ベンチマークとビジネスグラウンドの設定で比較システムよりも一貫した利得が得られた。
このフレームワークは、局所的な感情認識から、より継続的で堅牢で、デプロイメントに関連する感情知性への実践的なステップを提供する。
関連論文リスト
- From Verbatim to Gist: Distilling Pyramidal Multimodal Memory via Semantic Information Bottleneck for Long-Horizon Video Agents [78.30630000529133]
本稿ではファジィトレース理論に基づくピラミッド型マルチモーダルメモリアーキテクチャMM-Memを提案する。
MM-Memメモリは階層的に感覚バッファ、エピソードストリーム、シンボリックに構造する。
実験により、MM-Memがオフラインタスクとストリーミングタスクの両方で有効であることが確認された。
論文 参考訳（メタデータ） (2026-03-02T05:12:45Z) - Memory-guided Prototypical Co-occurrence Learning for Mixed Emotion Recognition [56.00118641432005]
本稿では,感情共起パターンを明示的にモデル化するメモリ誘導型プロトタイプ共起学習フレームワークを提案する。
人間の認知記憶システムに触発されて,意味レベルの共起関係を抽出するメモリ検索戦略を導入する。
本モデルは感情分布予測のための感情情報表現を学習する。
論文 参考訳（メタデータ） (2026-02-24T04:11:25Z) - MetaMem: Evolving Meta-Memory for Knowledge Utilization through Self-Reflective Symbolic Optimization [57.17751568928966]
自己進化型メタメモリでメモリシステムを拡張するフレームワークであるMetaMemを提案する。
メタメモリ最適化の間、MetaMemは異なるタスク間で伝達可能な知識利用経験を反復的に蒸留する。
大規模な実験ではMetaMemの有効性が示され、これは強いベースラインを3.6%以上上回っている。
論文 参考訳（メタデータ） (2026-01-27T04:46:23Z) - The AI Hippocampus: How Far are We From Human Memory? [77.04745635827278]
インプリシットメモリは、事前訓練されたトランスフォーマーの内部パラメータに埋め込まれた知識を指す。
明示メモリは、動的でクエリ可能な知識表現でモデル出力を増大させるように設計された外部ストレージと検索コンポーネントを含んでいる。
エージェントメモリは、自律エージェント内に永続的、時間的に拡張されたメモリ構造を導入する。
論文 参考訳（メタデータ） (2026-01-14T03:24:08Z) - EvolMem: A Cognitive-Driven Benchmark for Multi-Session Dialogue Memory [63.84216832544323]
EvolMemは、大規模言語モデル(LLM)とエージェントシステムのマルチセッションメモリ機能を評価するための新しいベンチマークである。
このベンチマークを構築するために,話題から始まる生成と物語から着想を得た変換からなるハイブリッドデータ合成フレームワークを提案する。
広範囲な評価により、LLMが全てのメモリ次元で常に他よりも優れていることが分かる。
論文 参考訳（メタデータ） (2026-01-07T03:14:42Z) - Memory Bear AI A Breakthrough from Memory to Cognition Toward Artificial General Intelligence [1.9075119881212463]
大規模言語モデル(LLM)は、メモリに固有の制限に直面している。
本稿では,認知科学の原理を基礎とした,人間のようなメモリアーキテクチャを構築するメモリベアシステムを提案する。
論文 参考訳（メタデータ） (2025-12-17T06:06:18Z) - Memory in the Age of AI Agents [217.9368190980982]
この研究は、現在のエージェントメモリ研究の最新の展望を提供することを目的としている。
我々は,エージェントメモリ,すなわちトークンレベル,パラメトリック,潜時メモリの3つの支配的実現を同定する。
実用的な開発を支援するため、メモリベンチマークとオープンソースフレームワークの包括的な概要をコンパイルする。
論文 参考訳（メタデータ） (2025-12-15T17:22:34Z) - MemVerse: Multimodal Memory for Lifelong Learning Agents [35.218549149012844]
我々は,モデルに依存しないプラグアンドプレイメモリフレームワークであるMemVerseを紹介した。
MemVerseは階層的検索ベースのメモリで高速パラメトリックリコールを行う。
スケーラブルで適応的なマルチモーダルインテリジェンスを実現する。
論文 参考訳（メタデータ） (2025-12-03T10:06:14Z) - RoboMemory: A Brain-inspired Multi-memory Agentic Framework for Interactive Environmental Learning in Physical Embodied Systems [41.89907261427986]
エージェントは、部分的可観測性、空間的推論の制限、高速なマルチメモリ統合など、現実世界の環境において永続的な課題に直面している。
本稿では, 空間, 時間, エピソディック, セマンティックメモリを並列化して, 効率的な長期計画と対話型環境学習を実現する, 脳にインスパイアされたフレームワークであるRoboMemoryを紹介する。
EmbodiedBenchの実験によると、Qwen2.5-VL-72B-Ins上に構築されたRoboMemoryはベースラインを25%上回り、クローズドソース(SOTA)のGemini-1.5を超えている。
論文 参考訳（メタデータ） (2025-08-02T15:39:42Z) - A Framework for Inference Inspired by Human Memory Mechanisms [9.408704431898279]
本稿では,知覚,記憶,推論の構成要素からなるPMIフレームワークを提案する。
メモリモジュールは、ワーキングメモリと長期メモリから構成され、後者は、広範囲で複雑なリレーショナル知識と経験を維持するために、高次構造を備えている。
我々は、bAbI-20kやSolt-of-CLEVRデータセットのような質問応答タスクにおいて、一般的なTransformerとCNNモデルを改善するためにPMIを適用します。
論文 参考訳（メタデータ） (2023-10-01T08:12:55Z)
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。