論文の概要: TRACE-Memory: Public-Conditioned Retrieval and Utility-Aware Evidence Admission for Personalized Generation

• arxiv url: http://arxiv.org/abs/2608.08446v1
• Date: Sun, 09 Aug 2026 03:30:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.831983
• Title: TRACE-Memory: Public-Conditioned Retrieval and Utility-Aware Evidence Admission for Personalized Generation
• Title（参考訳）: TRACE-Memory:パーソナライズドジェネレーションのためのパブリックコンディション検索とユーティリティ・アウェア・エビデンス・アドミッション
• Abstract要約: パーソナライズされたメモリは、公開のみの応答を超えてユーティリティを追加する場合にのみ使用されるべきだ、と私たちは主張する。 選択的パーソナライズのための2段階フレームワークであるTRACE-Memoryを提案する。 Goodreads、Amazon Reviews、Redditの4500以上のコントロール済みおよびNaturalタスクにおいて、TRACE-Memoryはランダムなメモリ使用と語彙的メモリ使用を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 5.590728281053739
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized generation systems retrieve user history by request--memory relevance and inject it into the model context. Yet relevant history may concern the wrong preference aspect, duplicate public information, or provide insufficient support. We argue that personal memory should be used only when it adds utility beyond a public-only response. We propose TRACE-Memory, a two-stage framework for selective personalization. Stage 1 queries for user-specific information missing from the request and public context, then retrieves a coverage-oriented candidate pool. Stage 2 admits a compact subset of source-traceable evidence units, or the empty set, according to response-level incremental utility. We progressively train the query-generation and evidence-admission policies through structured SFT initialization, reduced-space stage-wise GRPO warm-up, and nested multi-sample Joint GRPO. Across 4,500 Controlled and Natural tasks from Goodreads, Amazon Reviews, and Reddit, TRACE-Memory consistently outperforms random and lexical memory use, improves over semantic retrieval, remains competitive with frontier-LLM memory pipelines as local generator capacity increases, and conditions evidence admission on public-context sufficiency, supporting selective rather than default personalization.
• Abstract（参考訳）: パーソナライズドジェネレーションシステムは、要求メモリ関連性によってユーザ履歴を検索し、モデルコンテキストに注入する。 しかし、関連する歴史は、誤った好みの側面、重複した公開情報、あるいは不十分なサポートを懸念するかもしれない。 パーソナライズされたメモリは、公開のみの応答を超えてユーティリティを追加する場合にのみ使用されるべきだ、と私たちは主張する。 選択的パーソナライズのための2段階フレームワークであるTRACE-Memoryを提案する。 ステージ1では、リクエストとパブリックコンテキストから欠落したユーザ固有の情報をクエリして、カバレッジ指向の候補プールを取得する。 ステージ2は、応答レベルインクリメンタルユーティリティによると、ソース追跡可能なエビデンスユニットまたは空集合のコンパクトなサブセットを認めている。 我々は、構造化されたSFT初期化、縮小空間のステージワイドGRPOウォームアップ、ネストされたマルチサンプル関節GRPOを通じて、クエリジェネレーションとエビデンス・アドミッションポリシーを段階的に訓練する。 Goodreads、Amazon Reviews、Redditの4500以上のコントロール済みおよび自然なタスクにおいて、TRACE-Memoryは、ランダムメモリと語彙メモリの使用を一貫して上回り、セマンティック検索よりも向上し、ローカルジェネレータ容量が増加するにつれてフロンティアLLMメモリパイプラインと競合し続け、デフォルトのパーソナライゼーションよりも選択性をサポートする。

関連論文リスト

• Dual-Grained Agent Memory and Shapley Context Attribution for Multimodal Agentic Learner [55.80248281761638]
  マルチモーダルな大言語モデル (MLLM) は、科学的および数学的推論において、印象的な認識を提供する。 本稿では,DG-Memを提案する。DG-Memは,トレーニングタイムのロールアウトから一度構築した外部記憶メモリと,テスト時に読み取り専用に相談することで,凍結したMLLMを拡張可能なエージェントメモリフレームワークである。
  論文  参考訳（メタデータ） (2026-08-24T13:56:01Z)
• Think-to-Personalize: Unifying Reasoning and Retrieval for User-Centric Personalized Dense Retrieval [37.821022474615994]
  Think-to-Personalize (TTP) は、ユーザ中心の意図的推論を高密度検索で統一する新しいフレームワークである。 TTPは最先端のベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2026-08-19T12:28:20Z)
• Learning User-Aware Recall: Personalized Retrieval in Long-Term Conversational Memory [15.297367578990903]
  プロファイル誘導型パーソナライズド検索最適化(PPRO)は対話履歴からエピソードおよびセマンティックメモリバンクを構築する。 PPROはメモリランキングにおいて明示的なパーソナライズされた先行として機能し、検索は安定したユーザー属性、好み、関係を考慮できる。 LoCoMoとLongMemEval-Sの実験では、トレーニング不要のメモリシステムよりも一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-05-28T06:47:48Z)
• Thinking Ahead: Prospection-Guided Retrieval of Memory with Language Models [10.094292900770261]
  ロングホライゾンのパーソナライズには、対話履歴からユーザ固有の事実を検索する対話アシスタントが必要である。 実際には、多くの関連する事実は、密集した検索条件下でのクエリと意味的相似性が低いことが多い。 本稿では,記憶の保存方法から検索を分離するPGR(Prospection-Guided Retrieval)を提案する。
  論文  参考訳（メタデータ） (2026-05-13T22:57:54Z)
• Sparse Personalized Text Generation with Multi-Trajectory Reasoning [95.19317487799292]
  PAT(Personalization with Aligned Trajectories)は、コールドスタートLDMパーソナライズのための推論フレームワークである。 まず、スタイリスティックに類似したユーザからの書き込みスタイルの手がかりと、嗜好に沿ったユーザからのトピック固有のコンテキストの2つの相補的なトラジェクトリに沿って情報を取得する。 次に、強化学習に基づく反復的な二重共振機構を用い、LLMはこれらの信号を共同で洗練し統合することができる。
  論文  参考訳（メタデータ） (2026-04-27T20:58:49Z)
• Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval [59.295767860331004]
  RF-Memは、親しみやすい不確実性誘導デュアルパスメモリレトリバーである。 それは、人間のようなデュアルプロセス認識をレトリバーに埋め込む。 一定の予算とレイテンシの制約の下で、ワンショット検索とフルコンテキスト推論を一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-10T06:31:44Z)
• 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)
• Learning to Reason for Multi-Step Retrieval of Personal Context in Personalized Question Answering [39.08300602619814]
  QA(Personalization in Question Answering)は、ユーザーの背景、好み、歴史的文脈に合致した正確で正確な回答を必要とする。 個人化のための個人的コンテキストからの推論と検索を統合した強化学習フレームワークPR2を提案する。
  論文  参考訳（メタデータ） (2026-02-22T19:43:43Z)
• OP-Bench: Benchmarking Over-Personalization for Memory-Augmented Personalized Conversational Agents [55.27061195244624]
  オーバーパーソナライゼーションを3つのタイプに分類する。 エージェントは不要な場合でも、ユーザメモリを取得およびオーバーアタッチする傾向があります。 我々の研究は、メモリ拡張対話システムにおいて、より制御可能で適切なパーソナライズに向けた最初の一歩を踏み出した。
  論文  参考訳（メタデータ） (2026-01-20T08:27:13Z)
• Maximally-Informative Retrieval for State Space Model Generation [59.954191072042526]
  テスト時に特定のクエリに対するモデル不確実性を最小化するために、Retrieval In-Context Optimization (RICO)を導入する。 文書検索に外部に依存した従来の検索強化生成(RAG)とは異なり,本手法はモデルから直接のフィードバックを利用する。 モデル勾配を用いた標準のトップ$kの検索は、最適化手順を近似し、残余損失への接続を提供することを示す。
  論文  参考訳（メタデータ） (2025-06-13T18:08:54Z)
• Personalized Text Generation with Contrastive Activation Steering [63.60368120937822]
  そこで本研究では,ベクタとしてパーソナライズされた書体スタイルを分離し,表現する学習自由フレームワークを提案する。 本フレームワークは,PEFT法よりも1700倍のストレージ要求を削減しつつ,パーソナライズ生成において,8%の相対的な改善を実現している。
  論文  参考訳（メタデータ） (2025-03-07T08:07:15Z)
• Reasoning over Public and Private Data in Retrieval-Based Systems [29.515915401413334]
  State-of-the-artシステムは、回答を生成する前に、背景コーパスからユーザ質問に関連する情報を明示的に検索する。 今日の検索システムは、コーパスが完全にアクセス可能であることを前提としているが、ユーザーはプライベートデータを公開データをホストするエンティティに公開することを望んでいないことが多い。 PAIR(Public-PRIVATE AUTOREGRESSIVE Information RetriEVAL) のプライバシ・フレームワークを,複数のプライバシ・スコープにまたがる新規検索設定のために最初に定義する。
  論文  参考訳（メタデータ） (2022-03-14T13:08:51Z)

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。