論文の概要: DiaRelay: Relaying Dialogue Context with a Constant-Size Memory for Emotion Recognition in Conversation

• arxiv url: http://arxiv.org/abs/2608.22745v1
• Date: Mon, 24 Aug 2026 03:09:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.875628
• Title: DiaRelay: Relaying Dialogue Context with a Constant-Size Memory for Emotion Recognition in Conversation
• Title（参考訳）: DiaRelay:会話における感情認識のための一定サイズのメモリを用いた対話コンテキストのリレー
• Abstract要約: 会話における感情認識(Emotion Recognition in Conversation, ERC)は、遠方の対話のターンにしばしば分散される微妙な感情的手がかりを特定するモデルを必要とする。 本研究では,LDMが正確なERCのための対話レベルメモリを明示的に維持できる軽量アダプタDiaRelayを提案する。 また,IEMOCAPでは7.1Mのトレーニングパラメータのみを用いて,SOTA重み付きF1とMELDの精度を向上できることを示した。
• 参考スコア（独自算出の注目度）: 27.460834617156028
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Emotion Recognition in Conversation (ERC) requires models to identify subtle emotional cues that are often distributed across distant dialogue turns. Existing methods typically incorporate dialogue history through a fixed context window. However, short windows discard potentially useful long-range evidence, while enlarging the window repeatedly re-encodes overlapping utterances, increases computational and memory costs, and may introduce irrelevant context. Moreover, commonly used parameter-efficient adaptation methods, such as LoRA, mainly introduce fixed low-rank transformations in the feature space and do not explicitly maintain a dialogue-level state or condition their transformations on the evolving conversational context. To address these limitations, we propose a lightweight adapter, DiaRelay, to enable LLMs to explicitly maintain a dialogue-level memory for accurate ERC. Based on LoRA, DiaRelay introduces two extra tightly collaborative components, Selective Relay Memory Transition and Dual-axis Relay Memory Read. Selective Relay Memory Transition progressively aggregates useful historical evidence into a bounded relay memory and propagates it across successive utterance predictions. This allows earlier emotional cues to influence later predictions after they leave the local context window, without re-encoding the complete dialogue history or expanding the backbone context length. Dual-axis Relay Memory Read uses the propagated memory to dynamically modulate low-rank feature transformations, enabling context-dependent representation adaptation without test-time gradient updates. Extensive experiments show that DiaRelay can achieve SOTA weighted F1 and accuracy on MELD while obtaining competitive results on IEMOCAP with only an extra 7.1M trainable parameters, indicating the effectiveness and generalizability of our DiaRelay in enhancing LLM-based emotional understanding.
• Abstract（参考訳）: 会話における感情認識(Emotion Recognition in Conversation, ERC)は、遠方の対話のターンにしばしば分散される微妙な感情的手がかりを特定するモデルを必要とする。 既存のメソッドは通常、固定されたコンテキストウィンドウを通して対話履歴を組み込む。 しかし、ショートウィンドウは潜在的に有用な長距離エビデンスを破棄する一方、ウィンドウは繰り返し重複する発話をエンコードし、計算とメモリのコストを増大させ、無関係なコンテキストを導入する可能性がある。 さらに、LoRAのようなパラメータ効率のよい適応手法は、主に特徴空間に固定された低ランク変換を導入し、対話レベルの状態やそれらの変換を進化する会話の文脈で明示的に維持しない。 これらの制約に対処するために,LLMが正確なERCのための対話レベルメモリを明示的に維持できる軽量アダプタDiaRelayを提案する。 LoRAに基づいて、DiaRelayはSelective Relay Memory TransitionとDual-axis Relay Memory Readという、より緊密な2つのコンポーネントを導入している。 Selective Relay Memory Transitionは、有用な歴史的証拠を徐々に有界リレーメモリに集約し、連続した発話予測を越えて伝播する。 これにより、初期の感情的な手がかりは、完全な対話履歴を再エンコードしたり、バックボーンのコンテキスト長を拡張することなく、ローカルコンテキストウィンドウを離れた後の後の予測に影響を与えることができる。 Dual-axis Relay Memory Readはプロパゲートメモリを使用して低ランクな特徴変換を動的に変調し、テスト時間勾配更新なしでコンテキスト依存の表現適応を可能にする。 拡張実験により、DiaRelayはSOTA重み付きF1とMELDの精度を達成でき、さらに7.1Mのトレーニング可能なパラメータでIEMOCAPの競争結果を得ることができ、LLMに基づく感情理解を高める上でのDiaRelayの有効性と一般化性を示している。

関連論文リスト

• CueMem: Cue-Guided Context Reconstruction for Long-Term Conversational Memory [38.76918926805768]
  CueMemは、抽出されたメモリレコードを検索キューとして扱うキュー誘導フレームワークである。 ソースターンからクエリ関連対話コンテキストを再構築する。 LoCoMoとLongMemEvalの実験によると、CueMemは長期的なメモリベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-09-11T02:27:22Z)
• Ontology Memory-Augmented ASR Correction for Long Text-Speech Interleaved Conversations [49.31192454394301]
  本稿では,長文音声対話のためのメモリ拡張型ASR補正フレームワークを提案する。 提案手法は10対のバックボーンセットの組み合わせのうち9つにおいて直接補正よりも改善することを示す。
  論文  参考訳（メタデータ） (2026-06-11T15:18:32Z)
• CALMem : Application-Layer Dual Memory for Conversational AI [0.0]
  CALMemはアプリケーション層二重メモリアーキテクチャであり、基礎となるモデルを変更することなく、会話アシスタントに事実上効果的なコンテキストを提供する。 MOIMと呼ばれるトークン・バジェット・アダプティブ・インジェクション(トークン・バジェット・アダプティブ・インジェクション)機構は、各ターンごとに関連する過去のコンテキストを自動的に取り出し注入する。 アーキテクチャ、設計決定、パフォーマンス特性を説明し、それぞれの実装選択を導くトレードオフを分析します。
  論文  参考訳（メタデータ） (2026-05-20T05:23:57Z)
• 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)
• PERMA: Benchmarking Personalized Memory Agents via Event-Driven Preference and Realistic Task Environments [72.02445514666428]
  静的な嗜好リコールを超えてペルマの一貫性を評価するためのベンチマークであるPERMAを紹介する。 PerMAは、複数のセッションとドメインにまたがる時間的に順序付けられたインタラクションイベントと、時間とともに好みに関連するクエリで構成されている。 実験により、関連するインタラクションをリンクすることで、高度なメモリシステムはより正確な好みを抽出し、トークン消費を減らすことができることが示された。
  論文  参考訳（メタデータ） (2026-03-24T14:04:11Z)
• 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)
• 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)
• In Prospect and Retrospect: Reflective Memory Management for Long-term Personalized Dialogue Agents [70.12342024019044]
  大規模言語モデル(LLM)は、オープンエンド対話において大きな進歩を遂げているが、関連する情報の保持と取得ができないため、その有効性は制限されている。 本稿では,長期対話エージェントのための新しいメカニズムであるリフレクティブメモリ管理(RMM)を提案する。 RMMは、LongMemEvalデータセットのメモリ管理なしでベースラインよりも10%以上精度が向上している。
  論文  参考訳（メタデータ） (2025-03-11T04:15:52Z)
• Recursively Summarizing Enables Long-Term Dialogue Memory in Large Language Models [30.48902594738911]
  長い会話をすると、大きな言語モデル(LLM)は過去の情報を思い出さず、一貫性のない応答を生成する傾向がある。 本稿では,長期記憶能力を高めるために,大規模言語モデル(LLM)を用いて要約/メモリを生成することを提案する。
  論文  参考訳（メタデータ） (2023-08-29T04:59:53Z)
• SCM: Enhancing Large Language Model with Self-Controlled Memory Framework [54.33686574304374]
  大きな言語モデル(LLM)は、長い入力を処理できないため、重要な歴史的情報が失われる。 本稿では,LLMが長期記憶を維持し,関連する情報をリコールする能力を高めるための自己制御メモリ(SCM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-26T07:25:31Z)

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。