論文の概要: Emotion-Attended Stateful Memory (EASM):The Architecture for Hyper-Personalization at Scale
- arxiv url: http://arxiv.org/abs/2605.14833v1
- Date: Thu, 14 May 2026 13:39:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-16 00:43:04.125767
- Title: Emotion-Attended Stateful Memory (EASM):The Architecture for Hyper-Personalization at Scale
- Title（参考訳）: Emotion-Attended Stateful Memory (EASM): 大規模化のためのアーキテクチャ
- Authors: Vineet Kotecha, Vansh Gupta,
- Abstract要約: 本稿では,ユーザ固有の会話コンテキストを動的に構築する感情適応型ステートフルメモリアーキテクチャを提案する。
感情的に異なる6つのカテゴリーにまたがる30の非記述会話を対象としたA/B制御実験を行った。
その結果は、悲しみ、苦悩、不確実性を含む感情的敵対的な会話においても一貫していた。
- 参考スコア（独自算出の注目度）: 3.036596192442501
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Current language model systems remain fundamentally stateless across sessions, limiting their ability to personalize interactions over time. While retrieval-augmented generation and fine-tuning improve knowledge access and domain capability, they do not enable persistent understanding of individual users. We propose an emotion-attended stateful memory architecture that dynamically constructs user-specific conversational context using long-term history, emotional signals, and inferred intent at inference time. To evaluate its impact, we conducted a controlled A/B study across thirty non-scripted conversations spanning six emotionally distinct categories using the same underlying language model in both conditions. The memory-enriched condition consistently outperformed the stateless baseline across all evaluated scenarios. The largest gains were observed in memory grounding (95% improvement), plan clarity (57%), and emotional validation (34%). Results remained consistent even in emotionally adversarial conversations involving grief, distress, and uncertainty. These findings suggest that stateful emotional memory may represent a foundational infrastructure layer for hyper-personalized AI systems, though broader validation across larger and more diverse evaluations remains necessary
- Abstract（参考訳）: 現在の言語モデルシステムはセッション全体で基本的にステートレスであり、時間の経過とともにインタラクションをパーソナライズする能力を制限する。
検索強化された生成と微調整により知識アクセスとドメイン能力は向上するが、個々のユーザに対する永続的な理解は不可能である。
本稿では,長期的履歴,感情信号,推論時間における推測意図を用いて,ユーザ固有の会話コンテキストを動的に構築する,感情適応型ステートフルメモリアーキテクチャを提案する。
その影響を評価するために、同じ言語モデルを用いて、6つの感情的に異なるカテゴリーにまたがる30の非記述的会話を対象に、制御されたA/B調査を行った。
メモリの豊富な条件は、評価されたすべてのシナリオでステートレスベースラインを一貫して上回った。
最大利得は記憶基盤(95%改善)、計画明快(57%)、感情的妥当性(34%)であった。
その結果は、悲しみ、苦悩、不確実性を含む感情的敵対的な会話においても一貫していた。
これらの結果は、ステートフルな感情記憶は超個人化されたAIシステムの基礎的な基盤層である可能性があることを示唆している。
関連論文リスト
- A-MBER: Affective Memory Benchmark for Emotion Recognition [3.9870633524104107]
感情認識のためのA-MBER(Affective Memory Benchmark)を提案する。
A-MBERは、記憶されたマルチセッションインタラクション履歴に根ざした現在の感情解釈に焦点を当てている。
結果は、A-MBERが特に強調するように設計されたサブセットで識別可能であることを示している。
論文 参考訳（メタデータ） (2026-04-08T12:36:18Z) - Memory Bear AI Memory Science Engine for Multimodal Affective Intelligence: A Technical Report [3.9870633524104107]
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。
論文 参考訳（メタデータ） (2026-03-18T10:23:00Z) - AdaMem: Adaptive User-Centric Memory for Long-Horizon Dialogue Agents [49.63422082885992]
長軸対話エージェントのための適応型ユーザ中心メモリフレームワークであるAdaMemを提案する。
AdaMemは対話履歴をワーキング、エピソディック、ペルソナ、グラフメモリに整理する。
LoCoMo と PERSONAMEM ベンチマーク上での AdaMem の評価を行った。
論文 参考訳（メタデータ） (2026-03-17T13:22:54Z) - MemEmo: Evaluating Emotion in Memory Systems of Agents [30.12443912702673]
本稿では、感情情報を扱う際の記憶システムの性能を評価するための感情強調型メモリ評価ベンチマークを提案する。
textbfHuman-textbfLike textbfMemory textbfEmotion(textbfHLME)データセットを開発した。
実験結果から,3つのタスクにまたがるロバストな性能は,いずれのシステムも達成できていないことが示唆された。
論文 参考訳（メタデータ） (2026-02-27T11:46:08Z) - 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) - Decoding Ambiguous Emotions with Test-Time Scaling in Audio-Language Models [18.059483722792077]
テスト時間スケーリング下でのALMを用いた音声におけるあいまいな感情認識のための最初のベンチマークを紹介する。
本評価では,8つの最先端ALMと5つのTTS戦略を,3つの顕著な音声感情データセットに対して体系的に比較した。
私たちのベンチマークは、より堅牢でコンテキスト対応で感情的にインテリジェントな音声ベースのAIシステムを開発するための基盤を確立します。
論文 参考訳（メタデータ） (2026-02-01T07:41:57Z) - O-Mem: Omni Memory System for Personalized, Long Horizon, Self-Evolving Agents [60.1848551962911]
O-Memはアクティブユーザプロファイリングに基づく新しいメモリフレームワークである。
O-Memはペルソナ属性とトピック関連コンテキストの階層的検索をサポートする。
論文 参考訳（メタデータ） (2025-11-17T16:55:19Z) - RLVER: Reinforcement Learning with Verifiable Emotion Rewards for Empathetic Agents [67.46032287312339]
大規模言語モデル(LLM)は論理的およびアルゴリズム的推論において優れているが、彼らの感情的知性(EQ)は認知能力よりもはるかに遅れている。
シミュレーションユーザによる検証可能な感情報酬を活用する,最初のエンドツーエンド強化学習フレームワークであるRLVERを紹介する。
以上の結果から,RLVERは感情的知的で幅広い言語エージェントへの実践的な経路であることが示唆された。
論文 参考訳（メタデータ） (2025-07-03T18:33:18Z) - MADial-Bench: Towards Real-world Evaluation of Memory-Augmented Dialogue Generation [15.64077949677469]
メモリ拡張対話システム(MADS)の有効性を評価するための新しいメモリ拡張対話ベンチマーク(MADail-Bench)を提案する。
このベンチマークは2つのタスクを別々に評価する: メモリ検索とメモリ認識は、パッシブとプロアクティブの両方のメモリリコールデータを組み込んだものである。
このベンチマークにおける最先端の埋め込みモデルと大規模言語モデルの結果は、さらなる進歩の可能性を示している。
論文 参考訳（メタデータ） (2024-09-23T17:38:41Z) - A Hierarchical Regression Chain Framework for Affective Vocal Burst
Recognition [72.36055502078193]
本稿では,声帯からの感情認識のための連鎖回帰モデルに基づく階層的枠組みを提案する。
データスパシティの課題に対処するため、レイヤワイドおよび時間アグリゲーションモジュールを備えた自己教師付き学習(SSL)表現も使用しています。
提案されたシステムは、ACII Affective Vocal Burst (A-VB) Challenge 2022に参加し、「TWO」および「CULTURE」タスクで第1位となった。
論文 参考訳（メタデータ） (2023-03-14T16:08:45Z)
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。