論文の概要: A Heterogeneous Temporal Memory Governance Framework for Long-Term LLM Persona Consistency

• arxiv url: http://arxiv.org/abs/2605.14802v1
• Date: Thu, 14 May 2026 13:12:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.836445
• Title: A Heterogeneous Temporal Memory Governance Framework for Long-Term LLM Persona Consistency
• Title（参考訳）: 長期LLMペルソナ一貫性のための不均一な時間記憶ガバナンスフレームワーク
• Authors: Zhao Yang, Wang Huan, Li Yingshuo, Tu Haomiao, Lin Hujite,
• Abstract要約: 大規模な言語モデルは、多くの場合、事実喪失、タイムラインの混乱、ペルソナの漂流、長距離相互作用時の安定性の低下に悩まされる。 本稿では,長期対話のための外部時間記憶ガバナンスフレームワークARPMを紹介する。 我々は、ARPMが連続性をトレース可能、監査可能、転送可能なガバナンス問題として扱うことを示す。
• 参考スコア（独自算出の注目度）: 2.447989276487424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models often suffer from fact loss, timeline confusion, persona drift, and reduced stability during long-range interaction, especially under high-noise knowledge bases, context clearing, and cross-model transfer. To address these issues, we introduce ARPM, an external temporal memory governance framework for long-term dialogue. ARPM separates static knowledge memory from dynamic dialogue experience memory and combines vector retrieval, BM25, RRF fusion, dual-temporal reranking, chronological evidence reading, and a controlled analysis protocol for evidence verification and answer binding. Unlike approaches that encode persona consistency into model weights or rely only on long context, ARPM treats continuity as a traceable, auditable, and transferable governance problem. Using engineering logs, we conduct three experiments. First, in a 50-round question-answering setting, we compare signal-to-noise ratios of 1:5 and 1:200+, and distinguish CSV auto-judgment from manual review. Under 1:5, CSV recall accuracy is 54.0%, while manual review raises it to 100.0%. Under 1:200+, the values are 44.0% and 80.0%. These results show that automatic rules can underestimate recall after supporting evidence enters the prompt. Second, ablation results show that dialogue history retrieval is necessary for recent continuity: disabling it reduces strict accuracy from 100% to 66.7%, and disabling BM25 reduces it to 80.0%, indicating that pure semantic retrieval is insufficient for correction and tracing. Third, under a 5.1-million-character noise substrate, periodic context clearing, and multi-model handoff, ARPM maintains semantic continuity, boundary continuity, and persona consistency, while exposing limits caused by weak protocol compliance. These findings show that long-term persona consistency can be decomposed into governable components and evaluated in a white-box manner.
• Abstract（参考訳）: 大規模な言語モデルは、事実喪失、タイムラインの混乱、ペルソナの漂流、長距離相互作用における安定性の低下、特に高雑音の知識ベース、コンテキストクリアリング、モデル間の移動に悩まされることが多い。 これらの課題に対処するために、長期対話のための外部時間記憶ガバナンスフレームワークであるARPMを紹介する。 ARPMは静的知識記憶を動的対話体験メモリから切り離し、ベクトル検索、BM25、RF融合、二重時間的再ランク付け、時間的エビデンス読み込み、エビデンス検証と応答結合のための制御された分析プロトコルを組み合わせる。 ペルソナの一貫性をモデルウェイトにエンコードするアプローチや、長いコンテキストにのみ依存するアプローチとは異なり、ARPMは連続性をトレース可能で監査可能で、移行可能なガバナンス問題として扱う。 エンジニアリングログを使用して、3つの実験を行います。 まず,50ラウンドの質問応答設定において,信号対雑音比1:5と1:200+を比較し,手動による評価からCSV自動判断を区別する。 1:5未満では、CSVのリコール精度は54.0%、マニュアルレビューでは100.0%まで上昇する。 1:200+以下の値は44.0%と80.0%である。 これらの結果から,証拠が入力されると,自動的なルールがリコールを過小評価できることが示唆された。 第2に、アブレーションの結果は、最近の連続性には対話履歴の検索が必要であることを示している: 無効化は厳密な精度を100%から66.7%に減らし、BM25の無効化は80.0%に減らし、純粋な意味検索が修正と追跡に不十分であることを示す。 第3に、5.1万文字のノイズ基板、周期的コンテキストクリアリング、マルチモデルハンドオフの下では、ARPMは、プロトコル準拠の弱い制約を露呈しつつ、セマンティック連続性、境界連続性、ペルソナ一貫性を維持している。 これらの結果から,長期的ペルソナの一貫性を制御可能な構成要素に分解し,ホワイトボックス方式で評価できることが示唆された。

関連論文リスト

• Human-Inspired Memory Architecture for LLM Agents [0.9507070656654629]
  6つの認知機構からなる生体記憶アーキテクチャを提案する。 各メカニズムは、単純メモリ蓄積の特定の障害モードに対処する。 S層スケール(50セッション)では、デダップベースのコンソリデーションにより、好みのリコールが+13.3pp向上する。
  論文  参考訳（メタデータ） (2026-05-08T22:52:37Z)
• Self-Aware Vector Embeddings for Retrieval-Augmented Generation: A Neuroscience-Inspired Framework for Temporal, Confidence-Weighted, and Relational Knowledge [0.0]
  現代の検索拡張生成(RAG)システムは、ベクトル埋め込みを静的で文脈に依存しないアーティファクトとして扱う。 このフレームワークは,3つの明示的な特性 – 時間的認識,信頼の低下,関係的認識 – で密着な埋め込みを強化するものだ。
  論文  参考訳（メタデータ） (2026-04-22T14:13:50Z)
• Novel Memory Forgetting Techniques for Autonomous AI Agents: Balancing Relevance and Efficiency [0.0]
  長期会話エージェントはコヒーレント推論のために永続記憶を必要とする。 制御不能な蓄積は 時間的劣化と 偽の記憶の伝播を引き起こす この研究は、関連付けされたスコアリングとバウンダリされた最適化によってメモリを規制する適応的な予算付き忘れフレームワークを導入している。
  論文  参考訳（メタデータ） (2026-04-02T17:14:53Z)
• PERMA: Benchmarking Personalized Memory Agents via Event-Driven Preference and Realistic Task Environments [72.02445514666428]
  静的な嗜好リコールを超えてペルマの一貫性を評価するためのベンチマークであるPERMAを紹介する。 PerMAは、複数のセッションとドメインにまたがる時間的に順序付けられたインタラクションイベントと、時間とともに好みに関連するクエリで構成されている。 実験により、関連するインタラクションをリンクすることで、高度なメモリシステムはより正確な好みを抽出し、トークン消費を減らすことができることが示された。
  論文  参考訳（メタデータ） (2026-03-24T14:04:11Z)
• Memory-T1: Reinforcement Learning for Temporal Reasoning in Multi-session Agents [80.33280979339123]
  強化学習(RL)を用いた時間認識メモリ選択ポリシーを学習するフレームワークであるMemory-T1を紹介する。 Time-Dialogベンチマークでは、Memory-T1が7Bモデルを67.0%に引き上げ、オープンソースモデルの新たな最先端パフォーマンスを確立した。
  論文  参考訳（メタデータ） (2025-12-23T06:37:29Z)
• HEMA : A Hippocampus-Inspired Extended Memory Architecture for Long-Context AI Conversations [0.0]
  大規模言語モデル(LLM)は、数百回に及ぶ会話におけるコヒーレンスを維持するのに苦労する。 本稿では,人間の認知プロセスにインスパイアされたデュアルメモリシステムであるHEMAを紹介する。 10Kインデックスのチャンクでは、ベクトルメモリはP@5 >= 0.80 と R@50 >= 0.74 を達成し、精度-リコール曲線の下で領域を2倍にする。
  論文  参考訳（メタデータ） (2025-04-23T14:27:12Z)
• Dynamic Cheatsheet: Test-Time Learning with Adaptive Memory [52.44029486173232]
  Dynamic Cheatsheet(DC)は、永続的で進化するメモリを備えたブラックボックス言語モデルを提供する軽量フレームワークである。 DCは、蓄積した戦略、コードスニペット、および推論時に一般的な問題解決の洞察をモデルが保存し再利用することを可能にする。 このテストタイム学習は、明確な地味なラベルや人間のフィードバックを必要とせずに、幅広いタスクのパフォーマンスを大幅に向上させる。
  論文  参考訳（メタデータ） (2025-04-10T17:57:33Z)
• Synchronous Faithfulness Monitoring for Trustworthy Retrieval-Augmented Generation [96.78845113346809]
  Retrieval-augmented Language Model (RALMs) は、知識集約型タスクにおいて、高い性能と幅広い適用性を示している。 本稿では,非偽文の検出に微細な復号力学を利用する軽量モニタであるSynCheckを提案する。 また、長文検索拡張生成のためのビームサーチによって導かれる忠実度指向の復号アルゴリズムであるFODを導入する。
  論文  参考訳（メタデータ） (2024-06-19T16:42:57Z)
• Listen Attentively, and Spell Once: Whole Sentence Generation via a Non-Autoregressive Architecture for Low-Latency Speech Recognition [66.47000813920619]
  我々はLASOと呼ばれる非自己回帰型エンドツーエンド音声認識システムを提案する。 非自己回帰性のため、LASOは他のトークンに依存することなくシーケンス内のテキストトークンを予測する。 我々は,中国における公開データセットAISHELL-1の実験を行った。
  論文  参考訳（メタデータ） (2020-05-11T04:45:02Z)

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。