論文の概要: Memory Makes the Difference: Evaluating How Different Memory Roles Shape Conversational Agents

• arxiv url: http://arxiv.org/abs/2606.25361v1
• Date: Wed, 24 Jun 2026 03:45:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.208703
• Title: Memory Makes the Difference: Evaluating How Different Memory Roles Shape Conversational Agents
• Title（参考訳）: メモリの役割が会話エージェントの形状にどの程度異なるかを評価する
• Abstract要約: 本稿では,会話記憶の微粒な分類,検索した記憶を異なる役割タイプに分類し,ユーザ中心評価フレームワークを設計する。 記憶の明瞭化は、応答の事実的正確さと制約意識を改善し、それらをより正確かつパーソナライズする。 これらの発見は、フロンティアLSMの力にもかかわらず、よりパーソナライズされた応答を生成するために、異なるメモリタイプをどのように活用できるかを明かした。
• 参考スコア（独自算出の注目度）: 46.28019301802407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prior research on memory mechanism in RAG-based conversational system has emphasized how memory is stored and retrieved. However, far less is known about how memories with different functional roles influence response quality. Specifically, how they shape an agent's responses under varying conversational contexts and whether they lead to substantively different response behaviors. Existing evaluations in conversational system are also largely reference-based, insufficiently capturing the nuances in responses that may address users' preferences differently. In this work, we probe the impact of different memory types in shaping agents' responses. We present a fine-grained taxonomy of conversational memory, classify retrieved memories into different role types, and design a user-centric evaluation framework that simulates user perspectives. Through comparative experiments on long-term datasets and frontier LLMs, our analysis reveal many differentiated effects of memories: e.g., clarifying memory improves responses' factual accuracy and constraint awareness, making them more correct and personalized; irrelevant memory reduces topic relevance and degrades constraint awareness. Despite the power of frontier LLMs, these findings shed light on how different memory types can be leveraged to produce more personalized responses and inspire further research in this direction.
• Abstract（参考訳）: RAGベースの会話システムにおけるメモリ機構の以前の研究は、メモリの保存と検索の方法を強調してきた。 しかし、機能的役割の異なる記憶が応答品質にどのように影響するかは、あまり分かっていない。 具体的には、エージェントの反応を様々な会話の文脈でどのように形成するか、そしてそれらが実質的に異なる反応行動を引き起こすかである。 会話システムにおける既存の評価は、主に参照ベースであり、ユーザの好みに異なる対処をする可能性のある応答におけるニュアンスを不十分に捉えている。 本研究では,エージェントの応答形成における異なるメモリタイプの影響について検討する。 本稿では,対話記憶の微粒な分類,検索した記憶を異なる役割タイプに分類し,ユーザ視点をシミュレートするユーザ中心評価フレームワークを設計する。 長期データセットとフロンティアLSMの比較実験により、記憶の多くの異なる影響を明らかにする。例えば、記憶を明確にすることで、応答の事実精度と制約意識が向上し、より正確でパーソナライズされ、無関係な記憶はトピックの関連性を低下させ、制約意識を低下させる。 これらの発見は、フロンティアLSMの力にも拘わらず、よりパーソナライズされた応答を生み出すために、異なるメモリタイプをどのように活用できるかを光を当てた。

関連論文リスト

• Memory for Autonomous LLM Agents:Mechanisms, Evaluation, and Emerging Frontiers [0.42061757959666934]
  大きな言語モデル(LLM)エージェントは、単一のコンテキストウィンドウが小さすぎて何が起きているのかをキャプチャできないような環境で、ますます運用される。 メモリはステートレステキストジェネレータを真に適応的なエージェントに変える。 この調査は、メモリがどのように設計され、実装され、現代のLCMベースのエージェントで評価されるかという構造化された説明を提供する。
  論文  参考訳（メタデータ） (2026-03-08T15:08:01Z)
• EvolMem: A Cognitive-Driven Benchmark for Multi-Session Dialogue Memory [63.84216832544323]
  EvolMemは、大規模言語モデル(LLM)とエージェントシステムのマルチセッションメモリ機能を評価するための新しいベンチマークである。 このベンチマークを構築するために,話題から始まる生成と物語から着想を得た変換からなるハイブリッドデータ合成フレームワークを提案する。 広範囲な評価により、LLMが全てのメモリ次元で常に他よりも優れていることが分かる。
  論文  参考訳（メタデータ） (2026-01-07T03:14:42Z)
• Memory in the Age of AI Agents [217.9368190980982]
  この研究は、現在のエージェントメモリ研究の最新の展望を提供することを目的としている。 我々は,エージェントメモリ,すなわちトークンレベル,パラメトリック,潜時メモリの3つの支配的実現を同定する。 実用的な開発を支援するため、メモリベンチマークとオープンソースフレームワークの包括的な概要をコンパイルする。
  論文  参考訳（メタデータ） (2025-12-15T17:22:34Z)
• Evaluating Long-Term Memory for Long-Context Question Answering [100.1267054069757]
  質問応答タスクにアノテートした合成長文対話のベンチマークであるLoCoMoを用いて,メモリ拡張手法の体系的評価を行う。 以上の結果から,メモリ拡張アプローチによりトークン使用率が90%以上削減され,競争精度が向上した。
  論文  参考訳（メタデータ） (2025-10-27T18:03:50Z)
• How Memory Management Impacts LLM Agents: An Empirical Study of Experience-Following Behavior [65.70584076918679]
  メモリは、大きな言語モデル(LLM)ベースのエージェントにおいて重要なコンポーネントである。 本稿では,メモリ管理の選択がLLMエージェントの行動,特に長期的パフォーマンスに与える影響について検討する。
  論文  参考訳（メタデータ） (2025-05-21T22:35:01Z)
• In Prospect and Retrospect: Reflective Memory Management for Long-term Personalized Dialogue Agents [70.12342024019044]
  大規模言語モデル(LLM)は、オープンエンド対話において大きな進歩を遂げているが、関連する情報の保持と取得ができないため、その有効性は制限されている。 本稿では,長期対話エージェントのための新しいメカニズムであるリフレクティブメモリ管理(RMM)を提案する。 RMMは、LongMemEvalデータセットのメモリ管理なしでベースラインよりも10%以上精度が向上している。
  論文  参考訳（メタデータ） (2025-03-11T04:15:52Z)
• Unraveling the Complexity of Memory in RL Agents: an Approach for Classification and Evaluation [39.69790911626182]
  強化学習領域(RL)における多数のタスクにおいて、エージェントへのメモリの取り込みが不可欠である メモリ」という用語は幅広い概念を包含しており、エージェントのメモリを検証するための統一的な方法論が欠如していることと相まって、エージェントのメモリ能力に関する誤った判断につながる。 本稿では,エージェントメモリタイプを正確に定義することで,RLにおけるメモリ概念の合理化を目指す。
  論文  参考訳（メタデータ） (2024-12-09T14:34:31Z)
• MADial-Bench: Towards Real-world Evaluation of Memory-Augmented Dialogue Generation [15.64077949677469]
  メモリ拡張対話システム(MADS)の有効性を評価するための新しいメモリ拡張対話ベンチマーク(MADail-Bench)を提案する。 このベンチマークは2つのタスクを別々に評価する: メモリ検索とメモリ認識は、パッシブとプロアクティブの両方のメモリリコールデータを組み込んだものである。 このベンチマークにおける最先端の埋め込みモデルと大規模言語モデルの結果は、さらなる進歩の可能性を示している。
  論文  参考訳（メタデータ） (2024-09-23T17:38:41Z)

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。