論文の概要: PersonaMem-v3: Toward Omni-Platform Personal Intelligence for Holistic User Understanding, Recommendation, and Agentic Tasks

• arxiv url: http://arxiv.org/abs/2608.21381v1
• Date: Thu, 16 Jul 2026 19:33:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.320689
• Title: PersonaMem-v3: Toward Omni-Platform Personal Intelligence for Holistic User Understanding, Recommendation, and Agentic Tasks
• Title（参考訳）: PersonaMem-v3:Holistic User Understanding, Recommendation, Agentic TasksのためのOmni-Platform Personal Intelligenceを目指して
• Abstract要約: PersonaMem-v3は、Omniプラットフォームパーソナルインテリジェンスのための実世界のベンチマークと評価ハーネスである。 100万以上の現実世界のエンゲージメント履歴からシードされ、そのほとんどが暗黙のシグナルである。 このベンチマークでは、パーソナライズ、LLMを使ったレコメンデーション、プロアクティブネス、エージェントツールの使用、時間的推論をひとつのフレームワークに含めている。
• 参考スコア（独自算出の注目度）: 69.96400161299293
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personal intelligence is becoming a central frontier for user-facing AI agents. To be helpful in everyday life, agents must understand users across the digital contexts where their preferences, intents, habits, social relationships, and needs unfold over time. Today's systems can personalize within individual apps or tasks, but personal intelligence as a whole remains under-measured: how agents build cross-context user understanding, support steerable recommendation systems, act proactively across platforms, and avoid over-personalization. We introduce PersonaMem-v3, a real-world-grounded benchmark and evaluation harness for omni-platform personal intelligence. PersonaMem-v3 is seeded from more than one million anonymized real-world engagement histories, most of which are implicit signals, and uses them to construct time-indexed user digital worlds across social media, chatbot, calendar, and AI-companion with preference evolvement over time. The benchmark brings personalization, LLM-powered recommendation, proactiveness, agentic tool use, and geo-temporal reasoning into one framework, anchored in psychology, social-linguistics, and user-behavior theories. It evaluates whether AI agents can infer holistic user understanding from cross-platform evidence, personalize responses, rerank recommendations on social media, follow user steering through natural language, and hold back when personalization would be inappropriate, repetitive, outdated, or unnecessary. PersonaMem-v3 points toward LLM-powered personal intelligent agents that work with existing scalable recommendation infrastructure while making personalization more interactive, agentic, and aligned with how real users experience their digital lives.
• Abstract（参考訳）: パーソナルインテリジェンスは、ユーザー向けAIエージェントの中心的フロンティアになりつつある。 日々の生活に役立てるためには、エージェントは、好み、意図、習慣、社会的関係、時間の経過とともに広がる必要性など、デジタルの文脈でユーザーを理解する必要がある。 今日のシステムは、個々のアプリやタスク内でパーソナライズできるが、全体としては、エージェントがクロスコンテキストなユーザ理解を構築し、ステアブルなレコメンデーションシステムをサポートし、プラットフォーム間で積極的に行動し、過剰なパーソナライズを避ける方法である。 我々はPersonaMem-v3を紹介した。PersonaMem-v3は、Omniプラットフォームパーソナルインテリジェンスのための実世界のベンチマークと評価ハーネスである。 PersonaMem-v3は100万以上の匿名化された現実世界のエンゲージメント履歴からシードされ、そのほとんどが暗黙の信号であり、ソーシャルメディア、チャットボット、カレンダー、AIコンパニオンなどのタイムインデクシングされたユーザーデジタル世界の構築に利用されている。 このベンチマークは、パーソナライゼーション、LLMを使った推奨、プロアクティブネス、エージェントツールの使用、時間的推論を一つのフレームワークに含み、心理学、社会言語学、ユーザー行動理論に固定されている。 AIエージェントは、クロスプラットフォームのエビデンスから全体論的ユーザ理解を推測し、回答をパーソナライズし、ソーシャルメディア上でレコメンデーションをリランクし、自然言語でユーザーを操り、パーソナライズが不適切、反復的、時代遅れ、あるいは不必要かどうかを保留できるかどうかを評価する。 PersonaMem-v3は、既存のスケーラブルなレコメンデーションインフラストラクチャと連携し、パーソナライゼーションをよりインタラクティブでエージェント的で、実際のユーザがデジタルライフを体験する方法と整合させるLLMベースのパーソナルインテリジェンスエージェントを目指している。

関連論文リスト

• Mind2Dialogue: Training Human-Aware Language Models by Simulating User Mental States [72.77158276658636]
  Mind2Dialogueは、ユーザのメンタルステートをシミュレートし、それらを人間に意識したトレーニングのための特権的な監視に変換するためのフレームワークである。 まず,精神状態の更新とコヒーレントな会話の生成を両立させる心理誘導シミュレータを提案する。 私たちの特権的な蒸留は、デプロイ時にメンタルステートに直接アクセスすることなく、ユーザを支援するために、Oracleの優れたインフォームドレスポンスのモデルをトレーニングします。
  論文  参考訳（メタデータ） (2026-09-14T17:55:58Z)
• HumanLLM: Towards Personalized Understanding and Simulation of Human Nature [72.55730315685837]
  HumanLLMは個人のパーソナライズされた理解とシミュレーションのために設計された基礎モデルである。 私たちはまず、Reddit、Twitter、Blogger、Amazonといったプラットフォーム上で、現実世界のユーザデータをキュレートした大規模なコーパスであるCognitive Genomeを構築しました。 次に、多様な学習タスクを定式化し、教師付き微調整を行い、モデルの幅広い個人化された人間の行動、思考、経験を予測する。
  論文  参考訳（メタデータ） (2026-01-22T09:27:27Z)
• Enabling Personalized Long-term Interactions in LLM-based Agents through Persistent Memory and User Profiles [0.4885400580268118]
  大規模言語モデル(LLM)はAIエージェントの中央制御ユニットとしての役割を担っている。 本稿では、パーソナライズされた長期的なインタラクションを実現するために、永続メモリ、動的コーディネーション、自己検証、およびユーザプロファイルの進化を統合するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-09T08:22:16Z)
• Enhancing Personalized Multi-Turn Dialogue with Curiosity Reward [15.054368169735872]
  本稿では,好奇心に基づく固有報酬をマルチターンRLHFに組み込むために,ユーザモデルを活用することを提案する。 この新たな報酬機構により、LLMエージェントは会話を最適化してユーザモデルの精度を向上させることにより、ユーザ特性を積極的に推測することができる。 提案手法の有効性は,会話推薦タスクにおけるパーソナライズ性能の大幅な向上と,教育環境における異なる学習スタイルにおける会話のパーソナライズという2つの領域で実証する。
  論文  参考訳（メタデータ） (2025-04-04T06:35:02Z)
• SmartAgent: Chain-of-User-Thought for Embodied Personalized Agent in Cyber World [50.937342998351426]
  COUT(Chain-of-User-Thought)は、新しい推論パラダイムである。 我々は、サイバー環境を認識し、パーソナライズされた要求を推論するエージェントフレームワークであるSmartAgentを紹介する。 我々の研究は、まずCOUTプロセスを定式化し、パーソナライズされたエージェント学習を具体化するための予備的な試みとして役立ちます。
  論文  参考訳（メタデータ） (2024-12-10T12:40:35Z)

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。