論文の概要: Memory Retrieval for Changing Preferences

• arxiv url: http://arxiv.org/abs/2606.02976v1
• Date: Tue, 02 Jun 2026 00:29:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.65323
• Title: Memory Retrieval for Changing Preferences
• Title（参考訳）: 優先度変更のためのメモリ検索
• Authors: Yuehan Qin, Li Li, Linxin Song, Wei Yang, Jiate Li, Yuqing Yang, Yue Zhao,
• Abstract要約: 本稿では、メモリアクセスと選択のための統一的なフレームワークを提案する。 ベイズ係数を用いて各メモリターンの有効性を定量化する。 提案手法は,長いコンテキスト,嗜好集約的なタスクにおいて,既存の埋め込みベースの検索よりも優れる。
• 参考スコア（独自算出の注目度）: 19.459455322636025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-context dialogue systems must decide both when to access memory and which parts of the interaction history are relevant. Existing approaches typically rely on heuristic retrieval signals or always-on memory usage, failing to account for the changing and potentially inconsistent nature of user preferences. In this work, we propose a unified framework for memory access and selection based on changing preferences. We formulate personalized memory retrieval as identifying which historical turns provide evidence about a user's latent preference state, rather than relying on surface-level semantic similarity. To this end, we quantify the utility of each memory turn using a Bayes factor, defined as the improvement in the model's likelihood of the reference response when the turn is included in context. This provides a principled measure of evidence strength and a unified signal for both memory access and selection. By framing memory retrieval as utility estimation, the model learns to identify salient turns and regulate memory usage based on expected utility. Experiments on four heterogeneous memory benchmarks show that our approach outperforms existing embedding-based retrieval on long-context, preference-intensive tasks where modeling changing preferences is essential, while remaining competitive in low-density regimes where semantic similarity suffices.
• Abstract（参考訳）: 長文対話システムは、いつメモリにアクセスするかと相互作用履歴のどの部分が関連しているかを判断しなければならない。 既存のアプローチは、通常、ヒューリスティックな検索信号や常にメモリ使用量に依存しており、ユーザの好みの変化と潜在的に一貫性のない性質を考慮していない。 本研究では,メモリアクセスと選択のための統一的なフレームワークを提案する。 我々は,個人化されたメモリ検索を,ユーザによるユーザの嗜好状態に関する証拠を,表面レベルでのセマンティックな類似性に頼るのではなく,どの履歴ターンが提示するかを識別するものとして定式化する。 この目的のために,各メモリターンの有用性をベイズ係数を用いて定量化し,ターンがコンテキストに含まれる場合の参照応答の可能性の向上として定義する。 これは、エビデンス強度の原則的な測定と、メモリアクセスと選択の両方のための統一信号を提供する。 メモリ検索をユーティリティ推定としてフレーミングすることで、モデルが有能なターンを識別し、期待されたユーティリティに基づいてメモリ使用量を規制することを学ぶ。 4つのヘテロジニアス・メモリ・ベンチマークによる実験により,提案手法は,従来の組込み型検索よりも長コンテキスト,嗜好のモデル化が不可欠でありながら,意味的類似性が十分である低密度な状況下では競争力を維持していることがわかった。

関連論文リスト

• Context Distillation as Latent Memory Management [29.691992295989223]
  我々は,文脈蒸留を潜在記憶管理問題として定式化する。 各コンテキストを独立したLoRAアダプタに蒸留し,モジュール型メモリバンクを形成する。 クエリが与えられた場合、我々のフレームワークは候補メモリを検索し、クエリを最も適切なアダプタにルーティングし、Self-Gatingメカニズムを使用して潜在メモリをアクティベートするかどうかを決定する。
  論文  参考訳（メタデータ） (2026-05-27T07:29:40Z)
• MemGuard: Preventing Memory Contamination in Long-Term Memory-Augmented Large Language Models [56.31411457917676]
  本稿では,メモリ構築と検索において,機能的メモリ境界を保存するタイプアウェアメモリフレームワークであるMemGuardを紹介する。 幻覚と長期会話のベンチマーク全体で、MemGuardはメモリの信頼性を最大28.27%向上し、メモリトークンは以前の方法より5.8倍少ない。
  論文  参考訳（メタデータ） (2026-05-27T06:04:19Z)
• Causal Intervention-Based Memory Selection for Long-Horizon LLM Agents [0.33842793760651557]
  制御された介入の下で,候補記憶がモデル応答に与える影響を推定する因果記憶選択手法を提案する。 以上の結果から,CMIは,信頼性の高い長期記憶には関連性のみではなく,因果的有用性に基づくコンテキスト選択が必要であることが示唆された。
  論文  参考訳（メタデータ） (2026-05-17T20:21:55Z)
• Response-Aware User Memory Selection for LLM Personalization [21.52216937428913]
  メモリ選択(RUMS)に対する応答-ユーティリティ最適化 RUMSは、メモリサブセットとモデル出力の相互情報を測定することによって、ユーザメモリアイテムを選択する新しい方法である。 RUMSを用いて選択したメモリアイテムは,計算コストを最大95%削減した上で,既存の手法に比べて応答品質が向上することを示す。
  論文  参考訳（メタデータ） (2026-04-15T23:10:19Z)
• TA-Mem: Tool-Augmented Autonomous Memory Retrieval for LLM in Long-Term Conversational QA [8.036549927091286]
  大規模言語モデル(LLM)は、様々なドメインにわたるテキストベースのコンテキストにおいて強力な推論能力を示した。 コンテキストウィンドウの制限は、長距離推論タスクにおけるモデルの課題を引き起こす。 ツール拡張型自律メモリ検索フレームワーク(TA-Mem)を導入する。 TA-MemはLoCoMoデータセットで評価され、既存のベースラインアプローチよりも大幅にパフォーマンスが向上した。
  論文  参考訳（メタデータ） (2026-03-10T07:27:01Z)
• Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval [59.295767860331004]
  RF-Memは、親しみやすい不確実性誘導デュアルパスメモリレトリバーである。 それは、人間のようなデュアルプロセス認識をレトリバーに埋め込む。 一定の予算とレイテンシの制約の下で、ワンショット検索とフルコンテキスト推論を一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-10T06:31:44Z)
• MemoryArena: Benchmarking Agent Memory in Interdependent Multi-Session Agentic Tasks [55.145729491377374]
  メモリを持つエージェントの既存の評価は、通常、単独で記憶と行動を評価する。 マルチセッションメモリ-エージェント環境ループにおけるエージェントメモリのベンチマークのための統合評価ジムであるMemoryArenaを紹介する。 MemoryArenaは、Webナビゲーション、優先制約付き計画、プログレッシブ情報検索、シーケンシャルなフォーマルな推論を含む評価をサポートする。
  論文  参考訳（メタデータ） (2026-02-18T09:49:14Z)
• From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
  大言語モデル(LLM)は会話エージェントで広く採用されている。 MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-26T06:13:07Z)
• Memory-Based Semantic Parsing [79.48882899104997]
  文脈依存型セマンティック解析のためのメモリベースモデルを提案する。 逐次的ユーザ発話の累積的意味を維持することにより,メモリ管理を行うコンテキストメモリコントローラを学習する。
  論文  参考訳（メタデータ） (2021-09-07T16:15:13Z)

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。