論文の概要: SuperMemory-VQA: An Egocentric Visual Question-Answering Benchmark for Long-Horizon Memory
- arxiv url: http://arxiv.org/abs/2606.00825v1
- Date: Sat, 30 May 2026 17:53:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 00:57:58.924817
- Title: SuperMemory-VQA: An Egocentric Visual Question-Answering Benchmark for Long-Horizon Memory
- Title（参考訳）: SuperMemory-VQA: 長期記憶のためのエゴセントリックなビジュアル質問応答ベンチマーク
- Abstract要約: SuperMemory-VQAは、実用的な長期記憶タスクでAIアシスタントを評価するデータセットである。
これには、同期RGBビデオ、音声の書き起こし、視線、IMU、SLAMトラジェクトリなど、AIメガネで記録された日常的な活動の52.9時間が含まれている。
対象と位置記憶,意図的リコール,視覚的シーンリコール,タイムライン再構築,会話記憶,コンテキスト内検索にまたがる4,853の質問応答対を構築した。
- 参考スコア（独自算出の注目度）: 14.96864764261795
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: AI glasses present a compelling platform for AI agents to serve as personalized memory assistants. To be genuinely useful, such systems must move beyond short-term video comprehension and address memory gaps that humans experience for practical, personal, or social purposes over longitudinal egocentric video streams. However, existing egocentric datasets predominantly focus on action recognition or generic QAs from short clips, measuring perceptual capabilities rather than realistic human memory needs. We introduce SuperMemory-VQA, an egocentric visual question answering (VQA) dataset for evaluating AI assistants on practical, long-horizon memory tasks. It contains 52.9 hours of everyday activities recorded with AI glasses, including synchronized RGB video, audio transcription, eye gaze, IMU, and SLAM trajectories. Through a human-verified annotation pipeline, we construct grounded 4,853 question-answer pairs that span object and location memory, intent recall, visual scene recall, timeline reconstruction, conversational memory, and in-context retrieval. Each question is posed as multiple-choice with an explicit "unanswerable" option to test hallucination robustness. Benchmarking leading agentic frameworks and LLM backbones reveals that existing systems remain far from reliable on real-world memory tasks, highlighting the need for new architectures for grounded AI memory that can answer only when evidence is sufficient. A participant survey further supports that our questions are realistic, useful, and aligned with everyday memory needs.
- Abstract（参考訳）: AIグラスは、AIエージェントがパーソナライズされたメモリアシスタントとして機能するための魅力的なプラットフォームを提供する。
真に有用にするためには、このようなシステムは短期的なビデオ理解を超えて、人間が縦長の自我中心のビデオストリームに対して実践的、個人的、社会的目的のために経験するメモリギャップに対処する必要がある。
しかし、既存のエゴセントリックなデータセットは、主にアクション認識やショートクリップからの一般的なQAに注目し、リアルな人間の記憶のニーズではなく知覚能力を測定する。
我々は,AIアシスタントを長時間のメモリタスクで評価するための,エゴセントリックな視覚的質問応答(VQA)データセットであるSuperMemory-VQAを紹介する。
AIメガネで記録された日々の活動には、同期RGBビデオ、音声の書き起こし、視線、IMU、SLAM軌道など52.9時間が含まれている。
人間の検証したアノテーションパイプラインを通じて、オブジェクトと位置記憶、インテントリコール、視覚的シーンリコール、タイムライン再構成、会話記憶、テキスト内検索にまたがる4,853の質問応答ペアを構築した。
各質問は、幻覚の堅牢性をテストするための明示的な"未解決"オプションを備えた多重選択として提示される。
主要なエージェントフレームワークとLLMバックボーンのベンチマークにより、既存のシステムは現実世界のメモリタスクでは信頼できないままであり、証拠が十分である場合にのみ答えられる、基底化されたAIメモリのための新しいアーキテクチャの必要性を強調している。
参加者による調査は、私たちの質問が現実的で、有用であり、日々の記憶のニーズに合致していることをさらに支持します。
関連論文リスト
- CreaMem: A Scene-Aware Memory Architecture for Personalized Agents [10.59532182467324]
本稿では,メモリを複数のライフシーンメモリに分割することで,シーン認識型メモリ構成を可能にするCreaMemアーキテクチャを提案する。
CreaMemは、すべての評価指標のQA精度を改善し、特にマルチホップ推論のパフォーマンスを大きく向上させる。
強化するために、私たちはコードをパブリックなGitHubリポジトリにリリースしました。
論文 参考訳（メタデータ） (2026-09-08T10:33:05Z) - Beyond Episodic Evaluation: Memory Architectural Bottlenecks in Sequential Embodied Question Answering [93.80043825360514]
EQA(Embodied Question answering)は、伝統的にエピソードの定式化の下で評価され、エージェントは各タスクを独立して解決し、エピソード間の内部状態をリセットする。
EQAエージェントを逐次評価する際に異なるメモリアーキテクチャがどのように振る舞うかを検討する。
既存のメモリを単純に保存することは、しばしば不十分である。
連続したシーン表現の視覚的意味的証拠を3次元幾何学にマッピングするアーキテクチャについて, 構造的, 空間的基盤的記憶の必要性を強調した。
論文 参考訳（メタデータ） (2026-07-23T17:50:45Z) - LightMem-Ego: Your AI Memory for Everyday Life [15.591017916133309]
日常生活支援のための軽量ストリーミングマルチモーダルメモリシステムLightMem-Egoについて紹介する。
このシステムは、エゴセントリックなビジュアルストリームとオーディオストリームを継続的にキャプチャし、共有されたタイムラインにアライメントし、それらを階層的なメモリに整理する。
ユーザクエリが与えられた場合、LightMem-Egoは検索を適切なメモリレベルに動的にルーティングし、マルチモーダルなエビデンスに基づく回答を生成する。
論文 参考訳（メタデータ） (2026-07-13T12:40:17Z) - EgoMemReason: A Memory-Driven Reasoning Benchmark for Long-Horizon Egocentric Video Understanding [89.26501160264199]
EgoMemReasonは、メモリ駆動推論を通じて、1週間のエゴセントリックなビデオ理解を体系的に評価する。
EgoMemReasonには3つのメモリタイプと6つのコア課題に関する500の質問が含まれている。
EgoMemReasonをMLLMとエージェントフレームワークにまたがる17の手法で評価する。
論文 参考訳（メタデータ） (2026-05-11T01:59:59Z) - 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) - 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) - 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) - TeleEgo: Benchmarking Egocentric AI Assistants in the Wild [55.53194302888826]
実世界のエゴセントリックなAIアシスタントは、マルチモーダル入力(ビデオ、オーディオ、テキスト)を処理しなければならない
我々は、エゴセントリックなAIアシスタントを評価するために、長いデュレーション、ストリーミング、オムニモーダルのベンチマークであるtextbfTeleEgoを紹介した。
このデータセットは、4つのドメインにわたる同期されたエゴセントリックなビデオ、オーディオ、テキストの参加者あたり14時間以上を特徴としている。
論文 参考訳（メタデータ） (2025-10-28T01:24:24Z) - Rethinking Memory in AI: Taxonomy, Operations, Topics, and Future Directions [55.19217798774033]
メモリは、大規模言語モデル(LLM)ベースのエージェントを支える、AIシステムの基本コンポーネントである。
本稿ではまず,メモリ表現をパラメトリックおよびコンテキスト形式に分類する。
次に、コンソリデーション、更新、インデックス付け、フォッティング、検索、圧縮の6つの基本的なメモリ操作を紹介します。
論文 参考訳（メタデータ） (2025-05-01T17:31:33Z) - From Human Memory to AI Memory: A Survey on Memory Mechanisms in the Era of LLMs [34.361000444808454]
メモリは情報をエンコードし、保存し、検索するプロセスである。
大規模言語モデル(LLM)の時代において、メモリとは、AIシステムが過去のインタラクションからの情報を保持し、リコールし、使用し、将来の応答とインタラクションを改善する能力である。
論文 参考訳（メタデータ） (2025-04-22T15:05:04Z)
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。