論文の概要: From Facts to Insights: A Persona-Driven Dual Memory Framework and Dataset for Role-Playing Agents

• arxiv url: http://arxiv.org/abs/2605.25693v1
• Date: Mon, 25 May 2026 10:48:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.748019
• Title: From Facts to Insights: A Persona-Driven Dual Memory Framework and Dataset for Role-Playing Agents
• Title（参考訳）: Factsから Insightsへ:ロールプレイングエージェントのためのペルソナ駆動デュアルメモリフレームワークとデータセット
• Authors: Rongsheng Zhang, Ruofan Hu, Weijie Chen, Jiji Tang, Junnan Ren, Wanying Wu, Xunuoyan Chen, Tangjie Lv, Tao Jin, Zhou Zhao,
• Abstract要約: 現在のシステムはペルソナに依存しない要約に依存しており、ペルソナ固有の解釈なしで事実を記録する。 RoleMemoは4つの推論タスクを備えたデータセットで、実際の断片をペルソナを通して解釈して正しい回答を得る必要がある。 本稿では,記憶を2つのストリームに分解するDualMemを提案する。
• 参考スコア（独自算出の注目度）: 50.66268133366637
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While role-playing agents excel in short-term interactions, long-term conversations overwhelm context windows, motivating external memory frameworks. Current systems typically rely on persona-agnostic summarization, which records facts without persona-specific interpretation, yielding generic responses that compromise persona fidelity. To bridge this gap, we introduce RoleMemo, a dataset featuring four reasoning tasks where the factual fragments must be interpreted through the persona to reach the correct answer. Evaluation on RoleMemo exposes critical limitations of persona-agnostic frameworks. We thus propose DualMem, which decouples memory into two streams: factual cognition and persona-conditioned insight. Trained through Supervised Fine-Tuning (SFT) and Reinforcement Learning (RL), our framework with a 4B-parameter model outperforms zero-shot persona-agnostic frameworks powered by DeepSeek-V3.2 for sustained persona fidelity. Our resources are available at https://github.com/role2026/rolememo.
• Abstract（参考訳）: ロールプレイングエージェントは短期的なインタラクションにおいて優れているが、長期的な会話はコンテキストウィンドウを圧倒し、外部メモリフレームワークを動機付けている。 現在のシステムは通常、ペルソナ固有の解釈なしで事実を記録するペルソナ非依存の要約に頼り、ペルソナの忠実性を損なう一般的な反応をもたらす。 このギャップを埋めるために,4つの推論タスクを備えたデータセットであるRoleMemoを紹介した。 RoleMemoの評価はペルソナに依存しないフレームワークの限界を明らかにする。 そこで我々は,記憶を2つのストリームに分解するDualMemを提案する。 監視ファインチューニング (SFT) と強化学習 (RL) を通じて学習し、4Bパラメータモデルを用いて,DeepSeek-V3.2 をベースとしたゼロショットペルソナ認識フレームワークより優れた持続的ペルソナ忠実度を実現した。 リソースはhttps://github.com/role2026/rolememo.comで入手可能です。

関連論文リスト

• D-Mem: A Dual-Process Memory System for LLM Agents [3.5426740232689604]
  本稿では,デュアルプロセスメモリシステムD-Memを紹介する。 ルーチンクエリに対する軽量なベクトル検索を維持しながら、フルリベレーションモジュールを高忠実度フォールバックとして確立している。 GPT-4o-miniとQwen3-235B-Instructを用いたLoCoMoとRealTalkのベンチマーク実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-03-19T08:55:22Z)
• 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)
• Memory-Driven Role-Playing: Evaluation and Enhancement of Persona Knowledge Utilization in LLMs [8.377003560888905]
  メモリ駆動型ロールプレイングパラダイムを提案する。 スタニスラフスキーの「感情記憶」行動理論に触発されたこのパラダイムは、LLMの内部メモリストアとしてのペルソナの知識を基盤としている。 MREvalは4つのメモリ駆動能力を評価する詳細な評価フレームワークであり、MRPromptは構造化メモリ検索と応答生成を導くプロンプトアーキテクチャであり、MRBenchは細粒度診断のためのバイリンガルベンチマークである。
  論文  参考訳（メタデータ） (2026-03-14T07:12:42Z)
• AlpsBench: An LLM Personalization Benchmark for Real-Dialogue Memorization and Preference Alignment [54.72137309071243]
  AlpsBenchはWildChatからキュレートされた2500の長期的相互作用配列から構成され、人間によって検証された構造化記憶と組み合わせられる。 我々は、パーソナライズされた情報抽出、更新、検索、利用の4つの重要なタスクを定義し、メモリ管理のライフサイクル全体を評価するためのプロトコルを確立する。 i)モデルが潜在ユーザ特性を確実に抽出するのに苦労していること、(ii)メモリ更新が最強モデルでもパフォーマンス天井に直面すること、(iii)大きなイントラクタプールの存在下での検索精度が急激に低下すること、(iv)明示的なメモリ機構がリコールを改善する一方で、リコールは行わないこと、などである。
  論文  参考訳（メタデータ） (2026-03-09T11:06:19Z)
• Learning Personalized Agents from Human Feedback [36.47803872623135]
  連続的なパーソナライズのための枠組みであるPAHF(Personalized Agents from Human Feedback)を紹介する。 PAHFは、ユーザ毎の明示的なメモリを使用して、ライブインタラクションからオンラインで学習する。 ベンチマークは、エージェントが最初の好みをスクラッチから学習し、その後ペルソナシフトに適応する能力を定量化する。
  論文  参考訳（メタデータ） (2026-02-18T04:18:47Z)
• PersonaMem-v2: Towards Personalized Intelligence via Learning Implicit User Personas and Agentic Memory [56.81126490418336]
  パーソナライゼーションは、AI能力とアライメントの進歩における次のマイルストーンの1つだ。 PersonaMem-v2は300以上のシナリオ、20,000以上のユーザの好み、128kのコンテキストウィンドウで、1,000の現実的なユーザ-チャットボットインタラクションをシミュレートする。 我々はQwen3-4BをトレーニングしてGPT-5を上回り、暗黙のパーソナライゼーションにおいて53%の精度を達成した。
  論文  参考訳（メタデータ） (2025-12-07T06:48:23Z)
• Mem-PAL: Towards Memory-based Personalized Dialogue Assistants for Long-term User-Agent Interaction [55.24448139349266]
  PAL-Benchは、長期ユーザエージェントインタラクションにおけるサービス指向アシスタントのパーソナライズ機能を評価するために設計された新しいベンチマークである。 サービス指向のインタラクションをパーソナライズするために、階層的で異質なメモリフレームワークであるH$2$Memoryを提案する。
  論文  参考訳（メタデータ） (2025-11-17T14:22:32Z)
• Role-Aware Modeling for N-ary Relational Knowledge Bases [38.40941919126033]
  n-aryリレーショナルKBにおける事実に対する役割認識モデリング(RAM)を提案する。 RAMは基底ベクトルを含む潜在空間を探索し、これらのベクトルの線形結合によって役割を表す。 この目的のために、特定の役割や実体によって構成される事実の妥当性を測定するための多線形スコアリング関数を提供する。
  論文  参考訳（メタデータ） (2021-04-20T06:37:22Z)

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。