Fugu-MT 論文翻訳(概要): S-EMBER: A Large-Scale Benchmark for Streaming Egocentric Memory Retrieval

論文の概要: S-EMBER: A Large-Scale Benchmark for Streaming Egocentric Memory Retrieval

arxiv url: http://arxiv.org/abs/2607.02689v1
Date: Thu, 02 Jul 2026 18:29:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:29.393332
Title: S-EMBER: A Large-Scale Benchmark for Streaming Egocentric Memory Retrieval
Title（参考訳）: S-EMBER:エゴセントリックメモリ検索のための大規模ベンチマーク
Abstract要約: S-EMBER(Streaming Egocentric Memory Benchmark for Episodic Retrieval)は,Ray-Ban Metaスマートグラスを用いて388時間の有機活性を計測した3,141本のビデオからなる大規模ベンチマークである。 S-EMBERは、グローバルオフライン検索から、連続ストリームにおける視覚イベントによって引き起こされる因果的アクティブリコールへのパラダイムシフトである、グラウンドドストリーミングエピソード検索を形式化する。
参考スコア（独自算出の注目度）: 38.608941713774186
License: http://creativecommons.org/licenses/by/4.0/
Abstract: As wearable devices enable continuous first-person recording, AI assistants must reason across long time horizons to recall past experiences-a capability known as episodic memory. Current benchmarks often rely on offline evaluation with access to entire video files, failing to simulate the streaming reality of wearable intelligence. We introduce S-EMBER (Streaming Egocentric Memory Benchmark for Episodic Retrieval), a large-scale benchmark comprising 3,141 videos totaling 388 hours of organic activity captured via Ray-Ban Meta smart glasses. S-EMBER formalizes grounded streaming episodic retrieval, a paradigm shift from global offline search to causal, active recall triggered by visual events in a continuous stream. We provide 9,448 QA pairs requiring manual visual proof through precise temporal localization and supporting flexible response lengths to simulate natural human-AI interaction. Our extensive benchmarking of frontier models uncovers a localization paradox: while semantic reasoning improves with parameter scale, temporal grounding precision remains a stagnant architectural bottleneck that does not benefit from brute-force increases in model size, resolution, or frame density. S-EMBER establishes a hardware-authentic foundation for developing grounded, reliable episodic memory in the next generation of wearable AI agents.
Abstract（参考訳）: ウェアラブルデバイスが継続的ファーストパーソン記録を可能にするため、AIアシスタントは、過去の体験を思い出すために、長い間の地平線を越えて推論する必要がある。現在のベンチマークでは、ビデオファイル全体へのアクセスによるオフライン評価に依存しており、ウェアラブルインテリジェンスのストリーミング現実をシミュレートすることができないことが多い。 S-EMBER(Streaming Egocentric Memory Benchmark for Episodic Retrieval)は,Ray-Ban Metaスマートグラスを用いて388時間の有機活性を計測した3,141本のビデオからなる大規模ベンチマークである。 S-EMBERは、グローバルオフライン検索から、連続ストリームにおける視覚イベントによって引き起こされる因果的アクティブリコールへのパラダイムシフトである、グラウンドドストリーミングエピソード検索を形式化する。 9,448対のQAペアを、正確な時間的局所化を通して手動による視覚的証明を必要とし、自然とAIの相互作用をシミュレートするための柔軟な応答長をサポートする。セマンティック推論はパラメータスケールによって改善されるが、時間的グラウンドの精度は、モデルサイズ、解像度、フレーム密度のブルートフォース増加の恩恵を受けない、停滞したアーキテクチャ上のボトルネックのままである。 S-EMBERは、次世代のウェアラブルAIエージェントにおいて、基礎的で信頼性の高いエピソードメモリを開発するためのハードウェア・アステリック基盤を確立する。

関連論文リスト

Drive by Hindsight and Foresight: Tool-Grounded Synergistic Reasoning over Hierarchical Memory for Autonomous Driving [0.8419406375517101]
VLMは自動運転を約束するが、それでも弱い時間的認識と限定的な一般化に悩まされている。最近の手法は、CoTの説明、検索強化生成、ツール出力の静的注入による推論と意思決定を改善する。クローズドループでのプロアクティブツール呼び出しと階層的メモリを密結合する最初のシナジスティックフレームワークである、私たちの知識を提示する。
論文参考訳（メタデータ） (2026-09-08T03:59:10Z)
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)
Keep It in Mind: User Centric Continual Spatial Intelligence Reasoning in Egocentric Video Streams [58.77207336324662]
UCS-ベンチ (UCS-Bench) は、170時間以上のエゴセントリックな視覚観察と8.1K以上のタイムスタンプの質問のデータセットである。我々は、ストリーミングエゴセントリックな観測から構造化空間記憶をインクリメンタルに構築し、維持するフレームワークであるDirectMeを提案する。
論文参考訳（メタデータ） (2026-06-13T08:50:49Z)
Echo-Infinity: Learning Evolving Memory for Real-Time Infinite Video Generation [59.01737077739414]
本稿では,リアルタイム無限ビデオ生成に向けた自動回帰(AR)フレームワークであるEcho Infinityを紹介する。学習可能な進化可能なメモリを使用して、任意の長さの履歴を動的にフィルタリングし、抽象化し、圧縮する。最先端のパフォーマンスを実現し、私たちの知る限り、24時間(>1.3M)のリアルタイムロールアウトを初めて実現しています。
論文参考訳（メタデータ） (2026-06-03T07:09:01Z)
SuperMemory-VQA: An Egocentric Visual Question-Answering Benchmark for Long-Horizon Memory [14.96864764261795]
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。
論文参考訳（メタデータ） (2026-05-30T17:53:10Z)
EGOSTREAM: A Diagnostic Benchmark for Streaming Episodic Memory in Egocentric Vision [9.701124246177661]
連続エピソードメモリは自律エージェントのコア機能である。 Egostreamは、egocentric Visionにおけるエピソードメモリ評価の診断ベンチマークである。
論文参考訳（メタデータ） (2026-05-29T17:20:10Z)
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)
From Verbatim to Gist: Distilling Pyramidal Multimodal Memory via Semantic Information Bottleneck for Long-Horizon Video Agents [78.30630000529133]
本稿ではファジィトレース理論に基づくピラミッド型マルチモーダルメモリアーキテクチャMM-Memを提案する。 MM-Memメモリは階層的に感覚バッファ、エピソードストリーム、シンボリックに構造する。実験により、MM-Memがオフラインタスクとストリーミングタスクの両方で有効であることが確認された。
論文参考訳（メタデータ） (2026-03-02T05:12:45Z)

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。