論文の概要: MobileMem: Learning from a Year of Mobile Experiences

• arxiv url: http://arxiv.org/abs/2608.13606v2
• Date: Mon, 17 Aug 2026 11:49:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 13:30:43.594662
• Title: MobileMem: Learning from a Year of Mobile Experiences
• Title（参考訳）: MobileMem:モバイルの経験から学ぶ
• Abstract要約: デバイス上の長期記憶を研究するためのベンチマークおよびフレームワークであるMobileMemを紹介する。 MobileMemは、ユーザ・アプリ・セッションからコヒーレントで時間的に一貫したロングホライゾン・トラジェクトリを構築するために、ナレッジグラウンドのパイプラインを使用している。 特にMobileMemは、エージェントが過去を思い出し、現在を理解し、未来に適応することを可能にする。
• 参考スコア（独自算出の注目度）: 68.03053174295734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The next generation of AI agents is increasingly moving beyond systems that answer isolated questions toward persistent personal assistants that can understand, remember, and continuously learn from users' experiences. Such assistants require long-term memory to accumulate and leverage user-specific experiences over time, yet existing benchmarks remain inadequate for realistic mobile settings, where experiences are heterogeneous, multimodal, evolving, and deeply personal. We introduce MobileMem, a benchmark and framework for studying on-device long-term memory, grounded in a year-scale collection of mobile experiences. MobileMem employs a knowledge-grounded synthesis pipeline to construct coherent and temporally consistent long-horizon trajectories from user-app sessions. It provides complementary text and multimodal settings covering multi-hop and temporal reasoning, knowledge updating, and implicit preference inference. Specifically, MobileMem enables agents to remember the past, understand the present, and adapt to the future. By modeling experiences rather than isolated facts, MobileMem moves memory beyond information retrieval toward experiential intelligence for continuous personal learning.
• Abstract（参考訳）: 次世代のAIエージェントは、孤立した質問に答えるシステムを超えて、ユーザー体験を理解し、記憶し、継続的に学習するパーソナライズされたパーソナルアシスタントへと移りつつある。 このようなアシスタントは、時間とともにユーザ固有のエクスペリエンスを蓄積し、活用するために長期記憶を必要とするが、既存のベンチマークは、経験が異質で、マルチモーダルで、進化し、深く個人的である現実的なモバイル設定には不適切である。 モバイルエクスペリエンスの1年単位の収集に基礎を置いて,デバイス上での長期記憶を研究するためのベンチマークおよびフレームワークであるMobileMemを紹介した。 MobileMemは、ユーザ・アプリ・セッションからコヒーレントで時間的に一貫したロングホライゾン・トラジェクトリを構築するために、知識基底合成パイプラインを使用している。 補完的なテキストとマルチモーダル設定を提供し、マルチホップと時間的推論、知識更新、暗黙の選好推論をカバーしている。 特にMobileMemは、エージェントが過去を思い出し、現在を理解し、未来に適応することを可能にする。 孤立した事実ではなく経験をモデル化することによって、MobileMemは情報検索を超えて、継続的な個人学習のための経験的知性へとメモリを移動させる。

関連論文リスト

• PRAGMA: Evaluating Personalized Guidance with Memory Alignment in Lifelong Conversations [21.191446906833303]
  大規模言語モデル(LLM)は、長期にわたってユーザと対話するパーソナライズされたアシスタントとして、ますます多くデプロイされている。 会話が長くなるにつれて、完全なインタラクション履歴に依存することが、ますます非効率になり、信頼できなくなる。 本稿では、長期会話におけるパーソナライズされたガイダンスを評価するためのベンチマークであるPRAGMAを紹介する。
  論文  参考訳（メタデータ） (2026-09-09T03:31:47Z)
• Learning to Learn from Multimodal Experience [47.89568710518191]
  本稿では,メモリ設計を事前定義されたコンポーネントから適応的で学習可能なプロセスにシフトさせる,マルチモーダル体験から学習する新しいパラダイムを提案する。 我々のフレームワークは,タスク要求やインタラクション履歴に基づいて,エージェントが動的にメモリを構築し,整理し,利用することを可能にする。
  論文  参考訳（メタデータ） (2026-05-16T07:41:31Z)
• 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)
• The AI Hippocampus: How Far are We From Human Memory? [77.04745635827278]
  インプリシットメモリは、事前訓練されたトランスフォーマーの内部パラメータに埋め込まれた知識を指す。 明示メモリは、動的でクエリ可能な知識表現でモデル出力を増大させるように設計された外部ストレージと検索コンポーネントを含んでいる。 エージェントメモリは、自律エージェント内に永続的、時間的に拡張されたメモリ構造を導入する。
  論文  参考訳（メタデータ） (2026-01-14T03:24:08Z)
• MemVerse: Multimodal Memory for Lifelong Learning Agents [35.218549149012844]
  我々は,モデルに依存しないプラグアンドプレイメモリフレームワークであるMemVerseを紹介した。 MemVerseは階層的検索ベースのメモリで高速パラメトリックリコールを行う。 スケーラブルで適応的なマルチモーダルインテリジェンスを実現する。
  論文  参考訳（メタデータ） (2025-12-03T10:06:14Z)
• Building Self-Evolving Agents via Experience-Driven Lifelong Learning: A Framework and Benchmark [57.59000694149105]
  本稿では、自己進化エージェントを構築するためのフレームワークである、経験駆動型生涯学習(ELL)を紹介する。 ELLは、Experience Exploration、Long-term Memory、Skill Learning、Knowledge Internalizationの4つのコア原則に基づいて構築されている。 また、学生の総合的な大学旅行をシミュレートするELLのベンチマークデータセットであるStuLifeを紹介した。
  論文  参考訳（メタデータ） (2025-08-26T13:04:28Z)
• Mobile-Agent-E: Self-Evolving Mobile Assistant for Complex Tasks [85.48034185086169]
  Mobile-Agent-Eは、過去の経験を通じて自己進化できる階層的なマルチエージェントフレームワークである。 Mobile-Agent-Eは従来の最先端アプローチよりも22%の絶対的な改善を実現している。
  論文  参考訳（メタデータ） (2025-01-20T20:35:46Z)
• Remember and Recall: Associative-Memory-based Trajectory Prediction [25.349986959111757]
  我々は,人間の顕著な学習能力に触発された,フラグメンテッドメモリに基づく軌道予測(FMTP)モデルを提案する。 FMTPモデルは、情報冗長性を低減し、計算効率を向上させるために離散表現を用いる。 言語モデルに基づく高度な推論エンジンを開発し、これらの離散表現間の連想規則を深く学習する。
  論文  参考訳（メタデータ） (2024-10-03T04:32:21Z)

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。