論文の概要: FTA-Mem: Fact-Time-Affect Anchored Memory for Low-Density Long-Term Dialogue
- arxiv url: http://arxiv.org/abs/2608.16303v1
- Date: Mon, 17 Aug 2026 09:14:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.603629
- Title: FTA-Mem: Fact-Time-Affect Anchored Memory for Low-Density Long-Term Dialogue
- Title（参考訳）: FTA-Mem:低密度長期対話のための実時間影響アンコレッドメモリ
- Abstract要約: 低密度長期対話のための構造化メモリフレームワークFTA-Memを提案する。
FTA-Memは境界保存ウィンドウ(BWS)を使用してコヒーレントな状況フラグメントを形成し、Fact-Time-Affect Memory Unitsを構成する。
ES-MemEval と LoCoMo の実験により、FTA-Mem は情報密度特性の異なるベンチマーク全体の長期メモリ質問応答を改善した。
- 参考スコア（独自算出の注目度）: 9.111886840996501
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-term emotional-support agents require memory mechanisms for personalized understanding across sessions. However, emotional-support dialogue is often low-density: turns are incomplete, evidence is scattered, and user states evolve over time. Existing memory methods usually rely on fixed units, such as turn-level notes or session summaries, which may lose details or introduce redundant noise. We propose FTA-Mem, a structured memory framework for low-density long-term dialogue. FTA-Mem uses Boundary-preserving Window Segmentation (BWS) to form coherent situation fragments, and constructs Fact-Time-Affect Memory Units (FTA Units) that jointly encode factual content, temporal grounding, and affective context. Retrieved units are then synthesized into structured context for answer generation. Experiments on ES-MemEval and LoCoMo show that FTA-Mem improves overall long-term memory question answering across benchmarks with different information-density characteristics. On ES-MemEval, FTA-Mem achieves 0.3871 F1 and 0.6668 BERTScore. Further analysis shows that situation-level FTA construction better balances evidence preservation and construction cost than coarse session-level or overly fine-grained turn-pair construction, providing an effective granularity trade-off for long-term dialogue memory.
- Abstract（参考訳）: 長期的感情支援剤は、セッション間でのパーソナライズされた理解のために記憶機構を必要とする。
しかし、感情支援対話はしばしば低密度であり、ターンは不完全であり、証拠は散在し、ユーザー状態は時間とともに進化する。
既存のメモリメソッドは通常、ターンレベルノートやセッションサマリーのような固定単位に依存しており、詳細をなくしたり、余分なノイズを発生させることがある。
低密度長期対話のための構造化メモリフレームワークFTA-Memを提案する。
FTA-Memはコンテキスト保存ウィンドウセグメンテーション(BWS)を使用してコヒーレントな状況フラグメントを形成し、事実コンテンツ、時間的グラウンド、情緒的コンテキストを共同でエンコードするFTAユニット(Fact-Time-Affect Memory Units)を構築する。
検索されたユニットは、回答生成のために構造化されたコンテキストに合成される。
ES-MemEval と LoCoMo の実験により、FTA-Mem は情報密度特性の異なるベンチマーク全体の長期メモリ質問応答を改善した。
ES-MemEvalでは、FTA-Memは0.3871 F1と0.6668BERTScoreを達成した。
さらに分析したところ、状況レベルのFTA構築は、粗いセッションレベルや過度にきめ細かなターンペア構築よりもエビデンス保存と建設コストのバランスが良く、長期の対話記憶に効果的な粒度トレードオフをもたらすことが示された。
関連論文リスト
- MemOps: Benchmarking Lifecycle Memory Operations in Long-Horizon Conversations [50.24315431387575]
ライフサイクル操作のシーケンスとして会話メモリを再構成するベンチマークであるMemOpsを紹介する。
MemOpsは、それぞれのメモリイベントをトリガ、ターゲット、スコープ、状態遷移、エビデンスを指定した構造化トレースで表現する。
長いコンテキスト、検索ベース、パラメトリック、マネージドメモリシステムにわたって、MemOpsはファイナ・アンサーの精度のみを隠蔽する障害モードをアンタングルする。
論文 参考訳（メタデータ） (2026-07-14T15:33:44Z) - REAL: A Reasoning-Enhanced Graph Framework for Long-Term Memory Management of LLMs [17.526686616588794]
大きな言語モデル(LLM)は、長い時間をかけてユーザーと対話することがますます期待されている。
LLMは過去のすべてのインタラクションを保持することができず、履歴情報の保存、更新、検索には長期記憶管理が不可欠である。
REALは長期会話記憶を時間的かつ信頼性に配慮したプロパティグラフとして構成する。
論文 参考訳（メタデータ） (2026-06-09T10:53:10Z) - Memory Shot for Long-Term Dialogue [27.934717347947352]
本稿では,局所的な連続的な対話を構造化された視覚記憶ユニットに展開するMemShotを提案する。
MemShotはLoCoMoとLongMemEvalの両方で安定かつ競争的なパフォーマンスを達成する。
さらなる分析により、MemShotは歴史的証拠の局所化と活用を促進することが明らかとなった。
論文 参考訳（メタデータ） (2026-05-30T01:59:52Z) - Rethinking How to Remember: Beyond Atomic Facts in Lifelong LLM Agent Memory [88.81430082035617]
LLMエージェントは、蓄積された対話履歴を忠実に保存し、効率的に検索し、深く推論できるメモリシステムを必要とする。
本稿では,ソース識別子に固定された生の対話セグメントを含む3つの共存表現の粒度を格納するTriMemを提案する。
論文 参考訳（メタデータ） (2026-05-19T15:05:06Z) - MemGround: Long-Term Memory Evaluation Kit for Large Language Models in Gamified Scenarios [33.8882826707344]
MemGroundは、リッチでゲーミフィケーションされたインタラクティブシナリオを基盤とした、厳格な長期メモリベンチマークである。
メモリ利用と行動軌跡の両方を包括的に定量化するために,多次元計量スイートを提案する。
論文 参考訳（メタデータ） (2026-03-23T02:57:39Z) - 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) - Beyond Dialogue Time: Temporal Semantic Memory for Personalized LLM Agents [68.84161689205779]
テンポラルセマンティックメモリ(TSM)は、ポイントワイドメモリのセマンティックタイムをモデル化するメモリフレームワークである。
TSMは既存の手法を一貫して上回り、最大12.2%の精度向上を実現している。
論文 参考訳（メタデータ） (2026-01-12T12:24:44Z) - Amory: Building Coherent Narrative-Driven Agent Memory through Agentic Reasoning [14.368376032599437]
Amoryは、オフライン時に構造化されたメモリ表現を積極的に構築するワーキングメモリフレームワークである。
アモリーは会話の断片を叙事詩の物語に整理し、記憶を運動量と統合し、周辺事実を意味記憶に意味づける。
Amoryは従来の最先端よりも大幅に改善され、パフォーマンスは完全なコンテキスト推論に匹敵し、レスポンスタイムを50%削減した。
論文 参考訳（メタデータ） (2026-01-09T19:51:11Z) - EvolMem: A Cognitive-Driven Benchmark for Multi-Session Dialogue Memory [63.84216832544323]
EvolMemは、大規模言語モデル(LLM)とエージェントシステムのマルチセッションメモリ機能を評価するための新しいベンチマークである。
このベンチマークを構築するために,話題から始まる生成と物語から着想を得た変換からなるハイブリッドデータ合成フレームワークを提案する。
広範囲な評価により、LLMが全てのメモリ次元で常に他よりも優れていることが分かる。
論文 参考訳（メタデータ） (2026-01-07T03:14:42Z) - Evaluating Long-Term Memory for Long-Context Question Answering [100.1267054069757]
質問応答タスクにアノテートした合成長文対話のベンチマークであるLoCoMoを用いて,メモリ拡張手法の体系的評価を行う。
以上の結果から,メモリ拡張アプローチによりトークン使用率が90%以上削減され,競争精度が向上した。
論文 参考訳（メタデータ） (2025-10-27T18:03:50Z) - SGMem: Sentence Graph Memory for Long-Term Conversational Agents [14.89396085814917]
チャンク単位内の文レベルグラフとして対話を表現するSGMem(Sentence Graph Memory)を紹介する。
SGMem は, 長期会話型質問応答において, 精度を向上し, 高いベースラインを向上することを示す。
論文 参考訳（メタデータ） (2025-09-25T14:21:44Z)
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。