論文の概要: MemSlides: A Hierarchical Memory Driven Agent Framework for Personalized Slide Generation with Multi-turn Local Revision

• arxiv url: http://arxiv.org/abs/2606.17162v1
• Date: Mon, 15 Jun 2026 18:02:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.085192
• Title: MemSlides: A Hierarchical Memory Driven Agent Framework for Personalized Slide Generation with Multi-turn Local Revision
• Title（参考訳）: MemSlides: マルチターンローカルリビジョンによるパーソナライズされたスライド生成のための階層型メモリ駆動エージェントフレームワーク
• Authors: Ye Jin, Yangyang Xu, Jun Zhu, Yibo Yang,
• Abstract要約: パーソナライズされたプレゼンテーションエージェントのための階層型メモリフレームワークであるMemSlidesを提案する。 ユーザプロファイルメモリは、ラウンド0のパーソナライズのための意図条件付きプロファイルを格納し、ワーキングメモリはアクティブな好みとセッションの制約を持つ。 MemSlidesは、このメモリ設計とスコープ化されたスライドローカルリビジョンを組み合わせて、最小の影響を受けたリージョンでターゲット更新を行う。
• 参考スコア（独自算出の注目度）: 50.30742645266505
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized presentation generation requires more than conditioning on a current prompt or template: agents must preserve stable user preferences across tasks, retain newly introduced preferences and constraints during multi-turn revision, and carry out local edits reliably. We propose MemSlides, a hierarchical memory framework for personalized presentation agents that separates long-term memory from working memory and further divides long-term memory into user profile memory and tool memory. User profile memory stores intent-conditioned profiles for round-0 personalization, working memory carries active preferences and session constraints across revision rounds, and tool memory stores reusable execution experience for reliable localized editing. MemSlides pairs this memory design with scoped slide-local revision, so targeted updates act on the smallest affected region instead of repeatedly regenerating the full deck. In controlled experiments, user profile memory improves persona-alignment judgments on a multi-persona, multi-intent profile bank, tool-memory injection improves closed-loop modify behavior in diagnostic matched-pair settings, and qualitative cases illustrate working memory's ability to carryover preferences. Taken together, these results suggest that effective personalization in presentation authoring depends on separating persistent user profiles, session-level working memory, and reusable execution experience across generation and localized revision.
• Abstract（参考訳）: エージェントはタスク間で安定したユーザの好みを保ち、マルチターンリビジョン中に新しく導入された好みと制約を保持し、ローカル編集を確実に実行しなければなりません。 本稿では,長期記憶と作業記憶を分離し,さらに長期記憶をユーザプロファイルメモリとツールメモリに分割する,パーソナライズされたプレゼンテーションエージェントのための階層型メモリフレームワークであるMemSlidesを提案する。 ユーザプロファイルメモリは、ラウンド0のパーソナライズのための意図条件付きプロファイルを格納し、ワーキングメモリはリビジョンラウンド全体にわたってアクティブな好みとセッション制約を持ち、ツールメモリは、信頼性のあるローカライズされた編集のための再利用可能な実行エクスペリエンスを格納する。 MemSlidesはこのメモリ設計とスコープ化されたスライドローカルリビジョンを組み合わせているので、ターゲットの更新はフルデッキを繰り返し再生するのではなく、最小の影響を受けたリージョンで実行される。 制御された実験では、ユーザプロファイルメモリは、マルチパーソナ、マルチインテントプロファイルバンク上のペルソナ調整判断を改善し、ツールメモリインジェクションは、診断済みペア設定におけるクローズドループ修正の振る舞いを改善し、定性的なケースは、作業メモリが好みを遂行する能力を示している。 これらの結果は、プレゼンテーションオーサリングにおける効果的なパーソナライズは、永続的なユーザプロファイル、セッションレベルのワーキングメモリ、世代別および地域別リビジョンにおける再利用可能な実行エクスペリエンスの分離に依存することを示唆している。

関連論文リスト

• Memory Retrieval for Changing Preferences [19.459455322636025]
  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。
  論文  参考訳（メタデータ） (2026-06-02T00:29:12Z)
• 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)
• Personalize-then-Store: Benchmarking and Learning Personalized Memory for Long-horizon Agents [20.22872890297194]
  既存の大規模言語モデル(LLM)ベースのメモリシステムは、基本的な現実を覆い隠す、普遍的で静的なポリシーを適用している。 パーソナライズされたメモリシステムを評価するための最初のベンチマークであるPerMemBenchを紹介する。 本稿では,過渡セッションのメモリ操作を選択的にバイパスする軽量フレームワークであるセッションレベルのストレージゲーティングを提案する。
  論文  参考訳（メタデータ） (2026-05-25T07:48:33Z)
• Learning How and What to Memorize: Cognition-Inspired Two-Stage Optimization for Evolving Memory [53.8372503928207]
  大規模言語モデル(LLM)エージェントは、一貫したパーソナライゼーションのために長期のユーザメモリを必要とする。 既存のメモリシステムは、主に静的で手作りの更新ルールに依存している。 MemCoEは認知にインスパイアされた2段階最適化フレームワークで、どのようにメモリを整理し、どの情報を更新すべきかを学ぶ。
  論文  参考訳（メタデータ） (2026-05-01T14:45:20Z)
• From Recall to Forgetting: Benchmarking Long-Term Memory for Personalized Agents [38.52713500119118]
  Memoraは、数週間から数ヶ月のユーザ会話にまたがる長期メモリベンチマークです。 ベンチマークでは、記憶、推論、レコメンデーションの3つのメモリグラウンドタスクを評価している。 FAMA(Forgetting-Aware Memory Accuracy)は、古いメモリや無効メモリへの依存を罰するメトリクスである。
  論文  参考訳（メタデータ） (2026-04-21T21:31:01Z)
• 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)
• OP-Bench: Benchmarking Over-Personalization for Memory-Augmented Personalized Conversational Agents [55.27061195244624]
  オーバーパーソナライゼーションを3つのタイプに分類する。 エージェントは不要な場合でも、ユーザメモリを取得およびオーバーアタッチする傾向があります。 我々の研究は、メモリ拡張対話システムにおいて、より制御可能で適切なパーソナライズに向けた最初の一歩を踏み出した。
  論文  参考訳（メタデータ） (2026-01-20T08:27:13Z)
• Fine-Mem: Fine-Grained Feedback Alignment for Long-Horizon Memory Management [63.48041801851891]
  Fine-Memは、きめ細かいフィードバックアライメントのために設計された統一されたフレームワークである。 MemalphaとMemoryAgentBenchの実験は、Fin-Memが強いベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-01-13T11:06:17Z)

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。