論文の概要: ZifaMem: Structured Memory for Persona, Preference, and Emotional Continuity in AI Companions

• arxiv url: http://arxiv.org/abs/2607.17564v1
• Date: Mon, 20 Jul 2026 05:18:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.506295
• Title: ZifaMem: Structured Memory for Persona, Preference, and Emotional Continuity in AI Companions
• Title（参考訳）: ZifaMem:AIコンパニオンにおけるペルソナ、優先、感情継続のための構造化メモリ
• Authors: Jingzhe Fang, Guozhi Xu, Yunfan Cui, Xiaochen Yang, Zhangyu Hua,
• Abstract要約: ZifaMemは、セッション要約、エピソード記憶、統合ユーザモデルに対話を整理する構造化メモリシステムである。 同一の事前登録されたプロトコルの下では、3つのメモリシステムは生の履歴配置よりも大幅に改善される。 ZifaMem と Mem0 は、事前登録された一次選好エンドポイントの +/-5 点内で統計的に等価である。
• 参考スコア（独自算出の注目度）: 2.959518534015279
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI companions are judged not only by single-turn fluency but by whether they sustain emotional continuity: remembering who the companion is, what the user prefers, and how the relationship has felt. We present ZifaMem, a structured memory system that organizes dialogue into session summaries, episodic memories, and a consolidated user model. Against a deployment-honest comparator that supplies the full raw dialogue history, and under a fixed LLM-as-a-judge protocol with route audits, structured memory raises pooled four-backbone emotional-intelligence scores by 11.4% (95% CI 6.3% to 17.1%), and persona grounding improves on all four backbones (Claude +42% relative). Multi-turn affect context wins a +39% net preference over a single-turn snapshot (exploratory), whereas an additional emotion state machine yields no measurable gain on any of five endpoints. Under an identical preregistered protocol, three memory systems (ZifaMem, Mem0, and filtered verbatim retrieval) each improve significantly over raw-history deployment, and ZifaMem and Mem0 are statistically equivalent within +/-5 points on the preregistered primary preference endpoint. The ZifaMem SDK, CLI, and portable Agent Skills are open-sourced at https://github.com/zifacorp/zifamem.
• Abstract（参考訳）: AIコンパニオンは、単ターン流布だけでなく、そのコンパニオンが誰であるか、ユーザが何を好むか、そして関係がどう感じたかといった感情的な連続性を維持するかどうかによって判断される。 本稿では,セッション要約,エピソード記憶,統合ユーザモデルに対話を整理する構造化メモリシステムであるZifaMemを紹介する。 完全な生の対話履歴を提供するデプロイメント指向のコンパレータや、ルート監査を備えた固定LLM-as-a-judgeプロトコルの下では、構造化メモリは4つのバックボーンの感情的知能スコアを11.4%(95% CI 6.3%から17.1%)引き上げ、ペルソナグラウンドは4つのバックボーンすべてを改善する(Claude + 42%)。 マルチターン影響コンテキストはシングルターンスナップショット(探索的)よりも+39%のネット嗜好を勝ち取るが、追加の感情状態マシンは5つのエンドポイントのいずれかで測定可能な利得を得られない。 同一の事前登録プロトコルの下では、3つのメモリシステム(ZifaMem, Mem0, filtered verbatim search)が原史的展開よりも大幅に改善され、ZifaMemとMem0は事前登録された一次選好エンドポイントの+/-5ポイント内で統計的に等価である。 ZifaMem SDK、CLI、ポータブルエージェントスキルはhttps://github.com/zifacorp/zifamem.comでオープンソース化されている。

関連論文リスト

• MEMPROBE: Probing Long-Term Agent Memory via Hidden User-State Recovery [58.64329475683699]
  我々は、長期記憶は監査可能な相互作用後のアーティファクトとして評価されるべきであると主張している。 我々は、メモリを備えたエージェントがシミュレーションユーザを支援するベンチマークであるMEMPROBEで、このビューをインスタンス化する。 私たちは、成功したアシストと回復可能なメモリが、異なる機能として振る舞うことに気付きました。
  論文  参考訳（メタデータ） (2026-06-23T13:52:46Z)
• SocialMemBench: Are AI Memory Systems Ready for Social Group Settings? [0.0]
  AIアシスタントのメモリシステムは、シングルユーザー対話用に構築され、マルチパーティのソーシャルグループ設定に適用した場合、特徴的にフェールする。 既存のメモリベンチマークでは、ダイアディックや職場での対話が評価されている。 人工ソーシャルグループネットワークのベンチマークであるSocialMemBenchを紹介する。
  論文  参考訳（メタデータ） (2026-05-18T03:11:48Z)
• ZenBrain: A Neuroscience-Inspired 7-Layer Memory Architecture for Autonomous AI Systems [51.56484100374058]
  LongMemEval-500では、ZenBrainは長いコンテキストのオラクルのバイナリ・ジャッジの精度を4.5pp以内と一致させる。 ZenBrainは7層の神経科学にインスパイアされたメモリアーキテクチャである。
  論文  参考訳（メタデータ） (2026-04-26T20:39:19Z)
• Synthius-Mem: Brain-Inspired Hallucination-Resistant Persona Memory Achieving 94.4% Memory Accuracy and 99.6% Adversarial Robustness on LoCoMo [0.0]
  我々は、脳にインスパイアされた構造化されたペルソナメモリシステムであるSynthius-Memを、根本的に異なるアプローチで紹介する。 LoCoMoのベンチマークでは、Synthius-Memは94.37%の精度を達成し、全システムを超える。 Synthius-Memはトークン使用量をフルコンテキストのリプレイに比べて5倍削減し、精度の向上を実現している。
  論文  参考訳（メタデータ） (2026-04-13T14:47:48Z)
• ImplicitMemBench: Measuring Unconscious Behavioral Adaptation in Large Language Models [60.14219417402433]
  LLMエージェントの既存のメモリベンチマークは、事実の明示的なリコールを評価するが、意識的な検索なしに、経験が自動的な振る舞いになる暗黙の記憶を見落としている。 IndicitMemBenchは、非宣言的メモリの標準的な認知科学のアカウントから引き出された3つの構造を通して暗黙的メモリを評価する最初の体系的なベンチマークである。 当社の300イテムスイートでは,初動採点を備えたLearning/Priming-Interfere-Testプロトコルを統一しています。
  論文  参考訳（メタデータ） (2026-04-09T10:26:32Z)
• AlpsBench: An LLM Personalization Benchmark for Real-Dialogue Memorization and Preference Alignment [54.72137309071243]
  AlpsBenchはWildChatからキュレートされた2500の長期的相互作用配列から構成され、人間によって検証された構造化記憶と組み合わせられる。 我々は、パーソナライズされた情報抽出、更新、検索、利用の4つの重要なタスクを定義し、メモリ管理のライフサイクル全体を評価するためのプロトコルを確立する。 i)モデルが潜在ユーザ特性を確実に抽出するのに苦労していること、(ii)メモリ更新が最強モデルでもパフォーマンス天井に直面すること、(iii)大きなイントラクタプールの存在下での検索精度が急激に低下すること、(iv)明示的なメモリ機構がリコールを改善する一方で、リコールは行わないこと、などである。
  論文  参考訳（メタデータ） (2026-03-09T11:06:19Z)
• PersonaMem-v2: Towards Personalized Intelligence via Learning Implicit User Personas and Agentic Memory [56.81126490418336]
  パーソナライゼーションは、AI能力とアライメントの進歩における次のマイルストーンの1つだ。 PersonaMem-v2は300以上のシナリオ、20,000以上のユーザの好み、128kのコンテキストウィンドウで、1,000の現実的なユーザ-チャットボットインタラクションをシミュレートする。 我々はQwen3-4BをトレーニングしてGPT-5を上回り、暗黙のパーソナライゼーションにおいて53%の精度を達成した。
  論文  参考訳（メタデータ） (2025-12-07T06:48:23Z)
• HEMA : A Hippocampus-Inspired Extended Memory Architecture for Long-Context AI Conversations [0.0]
  大規模言語モデル(LLM)は、数百回に及ぶ会話におけるコヒーレンスを維持するのに苦労する。 本稿では,人間の認知プロセスにインスパイアされたデュアルメモリシステムであるHEMAを紹介する。 10Kインデックスのチャンクでは、ベクトルメモリはP@5 >= 0.80 と R@50 >= 0.74 を達成し、精度-リコール曲線の下で領域を2倍にする。
  論文  参考訳（メタデータ） (2025-04-23T14:27:12Z)

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。