論文の概要: S3Mem: Structured Spatiotemporal Scene-Event Memory for Long-Horizon Interactive Question Answering

• arxiv url: http://arxiv.org/abs/2605.28831v2
• Date: Mon, 08 Jun 2026 12:03:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.546254
• Title: S3Mem: Structured Spatiotemporal Scene-Event Memory for Long-Horizon Interactive Question Answering
• Title（参考訳）: S3Mem:長期対話型質問応答のための時空間時空間イベントメモリ
• Authors: Encheng Su, Jianyu Wu, Jinouwen Zhang, Qiucheng Yu, Chen Tang, Pengze Li, Lintao Wang, Aoran Wang, Xinzhu Ma, Shixiang Tang, Yizhou Wang, Houqiang Li,
• Abstract要約: ロングホライゾンの記憶問題に対する答えは、しばしば異質な歴史からスパースな証拠を必要とする。 S3Mem(Structured Spatiotemporal Scene-Event Memory)は,テキスト,視覚,エージェント使用履歴を構造化されたシーン単位に書き込むクエリ時メモリインタフェースである。 LoCoMo、EMemBench Visual Games、AMA-Benchの他、S3Memは強力なスコアツーケントレードオフを提供する。
• 参考スコア（独自算出の注目度）: 58.90783999951707
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-horizon memory question answering often requires sparse evidence from heterogeneous histories, including events, object states, visual observations, temporal relations, and causal steps. Existing memory interfaces expand reader context, retrieve semantically related chunks, or expose graph neighborhoods, but they are not explicitly designed to select compact evidence for a fixed reader. We propose Structured Spatiotemporal Scene--Event Memory (S3Mem), a query-time memory interface that writes textual, visual, and agent-use histories into structured scene--event units and routes compact evidence packs to the reader. Its router scores candidate units, query anchors, and anchor--support links, enabling both single-hop selection and short multi-hop evidence chains without reader fine-tuning or test-time training. Across LoCoMo, EMemBench Visual Games, and AMA-Bench, S3Mem provides a strong score--token trade-off, with the clearest gains on localized event, state, temporal, causal, or provenance evidence. On LoCoMo, S3Mem reaches \(0.48\) F1 and \(0.40\) BLEU with (1{,}073) evidence tokens per question, about \(15.8\times\) fewer than the LoCoMo reference. On EMemBench Visual Games, it obtains the best F1 and second-best accuracy with only \(189\)tokens.On AMA-Bench, it is not the highest-scoring method, but remains competitive while using the fewest reader-visible evidence tokens.
• Abstract（参考訳）: ロングホライゾンの記憶問題に答えるには、出来事、対象状態、視覚的観察、時間的関係、因果ステップなどを含む異質な歴史からのスパースな証拠を必要とすることが多い。 既存のメモリインターフェースは、読み取りコンテキストを拡張したり、セマンティックに関連付けられたチャンクを検索したり、グラフ近傍を公開したりするが、固定読影器のコンパクトなエビデンスを明示的に選択するためには設計されていない。 本研究では,S3Mem(Structured Spatiotemporal Scene-Event Memory)を提案する。S3Mem(Structured Spatiotemporal Scene-Event Memory)は,テキスト,ビジュアル,エージェント使用履歴を構造化シーン単位に書き込んで,コンパクトエビデンスパックをリーダにルーティングする。ルータは候補ユニット,クエリアンカー,アンカー対応リンクをスコアし,シングルホップ選択と短いマルチホップエビデンスチェーンをリーダの微調整やテストタイムトレーニングなしで実現する。 LoCoMo、EMemBench Visual Games、AMA-Benchの他、S3Memは強力なスコアツーケントレードオフを提供する。 LoCoMo 上では、S3Mem は (1{,}073) の証拠トークンを持つ \(0.48\) F1 と \(0.40\) BLEU に達する。 EMemBench Visual Gamesでは、最良F1と第2Bestの精度を189tokensで取得し、AMA-Benchでは最高スコア法ではなく、最も少ない読取可能なエビデンストークンを用いて競争力を維持している。

関連論文リスト

• WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
  マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。 既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。 マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
  論文  参考訳（メタデータ） (2026-05-28T04:27:20Z)
• MemEye: A Visual-Centric Evaluation Framework for Multimodal Agent Memory [80.97855900579512]
  既存の評価では、エージェントが後続の推論に必要な視覚的証拠を保存するかどうかを検査することはめったにない。 メモリ性能を2次元から評価するフレームワークであるMemEyeを紹介する。 本フレームワークでは,8つのライフシナリオタスクにまたがる新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2026-05-14T17:37:52Z)
• 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)
• TraceMem: Weaving Narrative Memory Schemata from User Conversational Traces [9.654990538033362]
  長期的な相互作用を維持することは、大規模言語モデルにとって依然としてボトルネックである。 ユーザの会話トレースから構造化された物語記憶スキーマを織り込むフレームワークであるTraceMemを提案する。 TraceMemは、ブレインインスパイアされたアーキテクチャで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-02-10T12:14:58Z)
• EverMemBench: Benchmarking Long-Term Interactive Memory in Large Language Models [16.865998112859604]
  EverMemBenchは、100万以上のトークンにまたがる多人数のマルチグループ会話を特徴とするベンチマークである。 EverMemBenchは、1000以上のQAペアを通じて3次元にわたるメモリシステムを評価する。
  論文  参考訳（メタデータ） (2026-02-01T16:13:08Z)
• EMemBench: Interactive Benchmarking of Episodic Memory for VLM Agents [52.567469286881426]
  本稿では,対話型ゲームによるエージェントの長期記憶評価のためのプログラムベンチマークEMemBenchを紹介する。 固定された質問セットを使う代わりに、EMemBenchは各エージェント自身の軌道から質問を生成する。 各テンプレートは、下層のゲーム信号から検証済みの真理を計算する。
  論文  参考訳（メタデータ） (2026-01-23T12:09:59Z)

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。