論文の概要: PraMem: Practice-derived Experiential Memory for Long-horizon Behavior Prediction

• arxiv url: http://arxiv.org/abs/2607.02881v1
• Date: Fri, 03 Jul 2026 02:25:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.442918
• Title: PraMem: Practice-derived Experiential Memory for Long-horizon Behavior Prediction
• Title（参考訳）: PraMem: 長距離行動予測のための実践的経験的記憶
• Abstract要約: ロングホライズン行動予測は、長い履歴シーケンスに基づいてユーザの次のアクションを推測することを目的としている。 LLMは、長期の行動予測に取り組む際に、潜在行動パターン誘導とモデル固有の認知バイアスに悩まされる。 PraMemは、経験的なメモリを構築するために、長い履歴シーケンスを事前に実行します。
• 参考スコア（独自算出の注目度）: 76.5874177305176
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-horizon behavior prediction aims to infer a user's next action based on a lengthy historical sequence, playing a crucial role in artificial intelligence field. The rise of large language models (LLMs) offers a promising direction for sequential behavior prediction, yet LLMs struggle with latent behavioral pattern induction and model-intrinsic cognitive biases when tackling long-horizon behavior prediction. Prior memory management methods follow a context-compression paradigm that attempts to address this task by alleviating the historical sequence burden, yet fail to resolve the core challenges. In this paper, we advocate a paradigm shift that reframes the lengthy historical sequence from a burden into a valuable resource to be exploited, and accordingly propose PraMem, which conducts beforehand practice over the lengthy historical sequence to build an experiential memory, thereby serving as the assisted input for accurate long-horizon behavior prediction. Extensive experiments across diverse tasks demonstrate that PraMem achieves superior performance than prior methods, and more in-depth analyses provide valuable insights into the mechanism and evolution of the experiential memory. Code: https://github.com/icip-cas/PraMem.
• Abstract（参考訳）: ロングホライズン行動予測は、ユーザの次のアクションを長い履歴シーケンスに基づいて推測することを目的としており、人工知能分野において重要な役割を果たす。 大規模言語モデル(LLM)の台頭は、逐次行動予測に有望な方向を提供するが、LLMは長期水平行動予測に取り組む際に、潜時行動パターン誘導とモデル固有の認知バイアスに苦しむ。 以前のメモリ管理手法は、歴史的シーケンスの負担を軽減することでこの課題に対処しようとするコンテキスト圧縮パラダイムに従っていたが、コア課題の解決には失敗した。 そこで,本稿では,時間的履歴列を負担から貴重な資源に再構成するパラダイムシフトを提唱し,また,経験的メモリを構築するために,時間的履歴列を事前に実践するPramを提案し,正確な時間的行動予測のための補助入力として機能する。 多様なタスクにわたる大規模な実験により、PraMemは以前の方法よりも優れたパフォーマンスを達成し、より詳細な分析により、経験記憶のメカニズムと進化に関する貴重な洞察を提供する。 コード:https://github.com/icip-cas/PraMem.com

関連論文リスト

• Dual Latent Memory in Vision-Language-Action Models for Robotic Manipulation [96.18832998704329]
  ラメムVLA(LaMem-VLA)は、ラメムVLA(LaMem-VLA)という、ラメムVLA(LaMem-VLA)という、ラメムVLA(LaMem-VLA)という、ラメムVLA(LaMem-VLA)という、ラメムVLA(LaMem-VLA)のフレームワークである。 LaMem-VLAは、メモリがVLA推論に直接参加し、コンテキスト境界下でアクション生成をガイドすることを可能にする。
  論文  参考訳（メタデータ） (2026-07-08T16:26:06Z)
• MemCast: Memory-Driven Time Series Forecasting with Experience-Conditioned Reasoning [14.55564396232952]
  時系列予測(TSF)は多くの実世界のアプリケーションにおいて意思決定において重要な役割を果たす。 MemCastは、経験条件推論タスクとしてTSFを再構成する学習から記憶へのフレームワークである。
  論文  参考訳（メタデータ） (2026-02-03T06:31:40Z)
• Explore with Long-term Memory: A Benchmark and Multimodal LLM-based Reinforcement Learning Framework for Embodied Exploration [52.35887679314727]
  長期記憶身体探索は、エージェントの探索的認知と意思決定行動を統合することを目的としている。 エージェントのメモリリコールとプロアクティブな探索能力を高めるため,我々はMemoryExplorerを提案する。
  論文  参考訳（メタデータ） (2026-01-11T16:23:22Z)
• MANTA: Diffusion Mamba for Efficient and Effective Stochastic Long-Term Dense Anticipation [17.4088244981231]
  長期にわたる高密度な行動予測は、行動の予測と、その持続期間を未来まで数分間待つ必要があるため、困難である。 本稿では, 効果的長期時間モデリングを実現するため, MANTA (MAmba for ANTicipation) ネットワークを提案する。 当社のアプローチでは,Breakfast,50Salads,Ambly101という3つのデータセットに対して,最先端の結果を実現しています。
  論文  参考訳（メタデータ） (2025-01-15T14:46:44Z)
• PALM: Predicting Actions through Language Models [74.10147822693791]
  本稿では,長期的行動予測の課題に取り組むアプローチであるPALMを紹介する。 本手法は,従来の行動系列を追跡する行動認識モデルと,関連する環境の詳細を記述するための視覚言語モデルを含む。 実験の結果,PALMは長期的な行動予測作業において最先端の手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2023-11-29T02:17:27Z)
• Reason for Future, Act for Now: A Principled Framework for Autonomous LLM Agents with Provable Sample Efficiency [53.8779374188643]
  本稿では,推論と行動のオーケストレーションを行うための,証明可能な後悔の保証を備えた原則的枠組みを提案する。 具体的には、メモリバッファから学習する推論のためのプロンプトテンプレートを設計し、長い水平線上で将来の軌道を計画する。 各ステップにおいて、LLMエージェントは計画された軌跡の初期動作("act for now")を受け取り、収集したフィードバックをメモリバッファに格納し、推論ルーチンを再起動して、将来の軌跡を新しい状態から再設計する。
  論文  参考訳（メタデータ） (2023-09-29T16:36:39Z)
• Memory-and-Anticipation Transformer for Online Action Understanding [52.24561192781971]
  本稿では,過去,現在,未来を含む時間構造全体をモデル化する,メモリ予測に基づく新しいパラダイムを提案する。 本稿では,メモリ・アンド・アンティフィケーション・トランスフォーマ(MAT)を提案する。
  論文  参考訳（メタデータ） (2023-08-15T17:34:54Z)

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。