論文の概要: Memory Shot for Long-Term Dialogue

• arxiv url: http://arxiv.org/abs/2606.28338v1
• Date: Sat, 30 May 2026 01:59:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 15:26:31.854252
• Title: Memory Shot for Long-Term Dialogue
• Title（参考訳）: 長期対話のための記憶ショット
• Abstract要約: 本稿では,局所的な連続的な対話を構造化された視覚記憶ユニットに展開するMemShotを提案する。 MemShotはLoCoMoとLongMemEvalの両方で安定かつ競争的なパフォーマンスを達成する。 さらなる分析により、MemShotは歴史的証拠の局所化と活用を促進することが明らかとなった。
• 参考スコア（独自算出の注目度）: 27.934717347947352
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) have demonstrated strong capabilities in general conversation, instruction following, and complex reasoning. However, in long-term dialogue settings, they often struggle to locate and utilize historical information most relevant to the current query. Existing approaches address this issue by constructing structured text-centered memory units through compressing and reorganizing user interaction history. However, these systems often rely on brute-force extraction of crucial evidence to associate episodes across dialogue sessions, causing substantial computational overhead and weakening structural cues such as speaker transitions, turn boundaries, and local contextual relationships. To avoid fragile text-based memory representations, we propose MemShot, which leverages dialogue structuring for long-term dialogue modeling and relies on the model's internal visual reasoning capabilities to associate key episodes. Specifically, MemShot renders local contiguous dialogue spans into structured visual memory units, preserving meta-information and chronological dialogue turns while avoiding heavy-weight textual memory construction. Experimental results show that MemShot achieves stable and competitive performance on both LoCoMo and LongMemEval, while substantially shortening the memory construction pipeline and delivering 70$\times$ speedup. Further analysis reveals that MemShot enhances the localization and utilization of historical evidence by directing memory processing toward structured local dialogue cues rather than surface-level lexical matching in a flat text stream. All codes are released on https://github.com/NEUIR/MemShot.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、一般的な会話、命令従順、複雑な推論において強力な能力を示している。 しかし、長期の対話設定では、それらはしばしば、現在のクエリに最も関係のある歴史的情報を見つけ、利用するのに苦労する。 既存のアプローチでは、ユーザインタラクション履歴の圧縮と再構成を通じて構造化されたテキスト中心のメモリユニットを構築することでこの問題に対処している。 しかしながら、これらのシステムは、対話セッション間のエピソードを関連付けるために重要な証拠をブルートフォースで抽出し、かなりの計算オーバーヘッドを引き起こし、話者遷移、ターンバウンダリ、局所的な文脈関係といった構造的手がかりを弱める。 そこで本研究では,長期対話モデリングに対話構造を利用するMemShotを提案する。 具体的には、MemShotは、局所的な連続的な対話を構造化された視覚記憶単位に分割し、重厚なテキストメモリ構成を避けながら、メタ情報と時系列対話のターンを保存する。 実験結果によると、MemShotはLoCoMoとLongMemEvalの両方で安定かつ競合的なパフォーマンスを実現し、メモリ構築パイプラインを大幅に短縮し、70$\times$のスピードアップを実現している。 さらに解析した結果,MemShotはフラットテキストストリームにおける表面レベルの語彙マッチングよりも,メモリ処理を構造化された局所的な対話キューに向けることで,履歴証拠の局所化と活用を促進することがわかった。 すべてのコードはhttps://github.com/NEUIR/MemShot.comで公開されている。

関連論文リスト

• CueMem: Cue-Guided Context Reconstruction for Long-Term Conversational Memory [38.76918926805768]
  CueMemは、抽出されたメモリレコードを検索キューとして扱うキュー誘導フレームワークである。 ソースターンからクエリ関連対話コンテキストを再構築する。 LoCoMoとLongMemEvalの実験によると、CueMemは長期的なメモリベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-09-11T02:27:22Z)
• FTA-Mem: Fact-Time-Affect Anchored Memory for Low-Density Long-Term Dialogue [9.111886840996501]
  低密度長期対話のための構造化メモリフレームワークFTA-Memを提案する。 FTA-Memは境界保存ウィンドウ(BWS)を使用してコヒーレントな状況フラグメントを形成し、Fact-Time-Affect Memory Unitsを構成する。 ES-MemEval と LoCoMo の実験により、FTA-Mem は情報密度特性の異なるベンチマーク全体の長期メモリ質問応答を改善した。
  論文  参考訳（メタデータ） (2026-08-17T09:14:31Z)
• PERMA: Benchmarking Personalized Memory Agents via Event-Driven Preference and Realistic Task Environments [72.02445514666428]
  静的な嗜好リコールを超えてペルマの一貫性を評価するためのベンチマークであるPERMAを紹介する。 PerMAは、複数のセッションとドメインにまたがる時間的に順序付けられたインタラクションイベントと、時間とともに好みに関連するクエリで構成されている。 実験により、関連するインタラクションをリンクすることで、高度なメモリシステムはより正確な好みを抽出し、トークン消費を減らすことができることが示された。
  論文  参考訳（メタデータ） (2026-03-24T14:04:11Z)
• 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)
• Beyond Dialogue Time: Temporal Semantic Memory for Personalized LLM Agents [68.84161689205779]
  テンポラルセマンティックメモリ(TSM)は、ポイントワイドメモリのセマンティックタイムをモデル化するメモリフレームワークである。 TSMは既存の手法を一貫して上回り、最大12.2%の精度向上を実現している。
  論文  参考訳（メタデータ） (2026-01-12T12:24:44Z)
• Does Memory Need Graphs? A Unified Framework and Empirical Analysis for Long-Term Dialog Memory [11.649831360197531]
  本稿では,長期記憶アーキテクチャの実験的なシステム指向分析について述べる。 ダイアログメモリシステムをコアコンポーネントに分解する統合フレームワークを導入し,グラフベースと非グラフアプローチの両方をサポートする。
  論文  参考訳（メタデータ） (2026-01-03T20:39:39Z)
• 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)
• SGMem: Sentence Graph Memory for Long-Term Conversational Agents [14.89396085814917]
  チャンク単位内の文レベルグラフとして対話を表現するSGMem(Sentence Graph Memory)を紹介する。 SGMem は, 長期会話型質問応答において, 精度を向上し, 高いベースラインを向上することを示す。
  論文  参考訳（メタデータ） (2025-09-25T14:21:44Z)
• Semantic Anchoring in Agentic Memory: Leveraging Linguistic Structures for Persistent Conversational Context [0.0]
  本稿では,ベクトルベースストレージを明示的な言語的手がかりで強化し,ニュアンス付きコンテキスト豊富な交換のリコールを改善するハイブリッド型エージェントメモリアーキテクチャを提案する。 適応した長期対話データセットの実験では、意味的アンカーがRAGベースラインよりも最大18%、事実的リコールと談話のコヒーレンスを改善することが示されている。
  論文  参考訳（メタデータ） (2025-08-18T05:14:48Z)
• StreamingDialogue: Prolonged Dialogue Learning via Long Context Compression with Minimal Losses [67.92595110412094]
  StreamingDialogueは長い対話履歴を最小限の損失でconv-attnシンクに圧縮する。 本手法は対話タスクにおいて強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2024-03-13T07:44:14Z)
• Recursively Summarizing Enables Long-Term Dialogue Memory in Large Language Models [30.48902594738911]
  長い会話をすると、大きな言語モデル(LLM)は過去の情報を思い出さず、一貫性のない応答を生成する傾向がある。 本稿では,長期記憶能力を高めるために,大規模言語モデル(LLM)を用いて要約/メモリを生成することを提案する。
  論文  参考訳（メタデータ） (2023-08-29T04:59:53Z)
• LaMemo: Language Modeling with Look-Ahead Memory [50.6248714811912]
  右側トークンへの漸進的参加により再帰記憶を向上させるLook-Ahead Memory(LaMemo)を提案する。 LaMemoは、メモリ長に比例した追加のオーバーヘッドで、双方向の注意とセグメントの再発を受け入れる。 広く使われている言語モデリングベンチマークの実験は、異なる種類のメモリを備えたベースラインよりも優れていることを示した。
  論文  参考訳（メタデータ） (2022-04-15T06:11:25Z)

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。