論文の概要: Personalizing LLM Agent Memory Using Biometrics
- arxiv url: http://arxiv.org/abs/2609.08558v1
- Date: Tue, 08 Sep 2026 10:46:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.630278
- Title: Personalizing LLM Agent Memory Using Biometrics
- Title（参考訳）: バイオメトリックスを用いたLLMエージェントメモリのパーソナライズ
- Abstract要約: Bio-Memoryはバイオメトリックなメモリアーキテクチャであり、セマンティックな類似性とバイオメトリックなマッチングの両方でメモリの検索を条件付ける。
7面のベンチマークと10個のヤシプリントプロトコルを用いた10ユーザ共有エージェント設定において,LoCoMo上でのバイオメモリの評価を行った。
- 参考スコア（独自算出の注目度）: 14.355562431393416
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Personalized memory helps LLM agents deliver stable, tailored assistance by storing and reusing user-specific data across interactions. In multi-user scenarios, however, retrieval must consider not only semantic similarity but also whether the current requester matches the identity associated with the stored memory. We propose Bio-Memory, a biometric-aware memory architecture that conditions memory retrieval on both semantic similarity and biometric matching. Built on top of A-Mem, Bio-Memory augments each atomic memory note with a biometric embedding and uses biometric matching to form the retrieval candidate pool before semantic ranking. We evaluate Bio-Memory on LoCoMo in a 10-user shared-agent setting over 7 face benchmarks and 10 palmprint protocols. Across datasets, Bio-Memory consistently separates owner and non-owner queries. Under face-based personalization, the largest average gap reaches 27.29% / 21.15% in F1 / BLEU-1 on CALFW; under palmprint-based personalization, the corresponding gap is 25.75% / 19.22% on MS_Blue. These results support biometrics as a practical control signal for personalized memory retrieval in shared environments.
- Abstract（参考訳）: パーソナライズドメモリは、LLMエージェントが対話間でユーザ固有のデータを保存、再利用することで、安定した、調整された支援を提供するのに役立つ。
しかし、マルチユーザシナリオでは、検索は意味的類似性だけでなく、現在の要求者が記憶されているメモリに関連付けられたIDと一致するかどうかも考慮しなければならない。
本稿では,バイオメモリアーキテクチャを提案する。バイオメモリは,意味的類似性とバイオメトリックマッチングの両方に基づいて,メモリの検索を行う。
A-Mem上に構築されたバイオメモリは、それぞれの原子メモリノートをバイオメトリック埋め込みで拡張し、バイオメトリックマッチングを使用してセマンティックランキングの前に検索候補プールを形成する。
7面のベンチマークと10個のヤシプリントプロトコルを用いた10ユーザ共有エージェント設定において,LoCoMo上でのバイオメモリの評価を行った。
データセット全体にわたって、Bio-Memoryはオーナーと非オーナーのクエリを一貫して分離する。
顔によるパーソナライゼーションでは、最大の平均ギャップはCALFWのF1 / BLEU-1で27.29% / 21.15%に達し、パームプリントベースのパーソナライゼーションでは、MS_Blueで25.75% / 19.22%となる。
これらの結果は、共有環境におけるメモリのパーソナライズのための実用的な制御信号としてバイオメトリックスをサポートする。
関連論文リスト
- BIO-MEMART: Biometric-Aware KV Cache Memory for Multi-User LLM Agents [9.782754686221752]
Bio-MemArt は、マルチユーザ LLM エージェントのためのバイオメトリック対応 KV-cache メモリフレームワークである。
Bio-MemArtは、格納された各KVメモリブロックに正規化されたバイオメトリックテンプレートをアタッチする。
生体計測ゲーティングはKV-cacheメモリの低トーケン動作機構を保っていることを示す。
論文 参考訳（メタデータ） (2026-09-08T10:56:17Z) - MEMPROBE: Probing Long-Term Agent Memory via Hidden User-State Recovery [58.64329475683699]
我々は、長期記憶は監査可能な相互作用後のアーティファクトとして評価されるべきであると主張している。
我々は、メモリを備えたエージェントがシミュレーションユーザを支援するベンチマークであるMEMPROBEで、このビューをインスタンス化する。
私たちは、成功したアシストと回復可能なメモリが、異なる機能として振る舞うことに気付きました。
論文 参考訳（メタデータ） (2026-06-23T13:52:46Z) - SubtleMemory: A Benchmark for Fine-Grained Relational Memory Discrimination in Long-Horizon AI Agents [38.778004697710855]
本稿では,長期にわたるAIエージェントにおける微粒なリレーショナルメモリ識別のためのベンチマークであるSubtleMemoryを紹介する。
我々は,6つのスタンドアロンメモリシステム,ネイティブメモリモジュールを持つ2つのClawスタイルエージェント,プラグインメモリモジュールを持つ3つのClawスタイルエージェントを評価した。
論文 参考訳（メタデータ） (2026-06-04T06:43:11Z) - eMEM: A Hybrid Spatio-Temporal Memory System For Embodied Agents [1.8047694351309203]
物理環境で動作するエンボディエージェントのためのハイブリッドグラフベースメモリシステムeMEMを提案する。
eMEMはこのギャップをマルチインデックスアーキテクチャ(構造化ストレージ用ITE、近傍セマンティックサーチ用hlib、空間クエリ用Rツリー)で埋める。
また,eMEM-Bench v1は,メモリ評価のためのProcTHOR-10Kシーン上で構築したベンチマークである。
論文 参考訳（メタデータ） (2026-06-02T09:22:12Z) - 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) - According to Me: Long-Term Personalized Referential Memory QA [27.402232752643275]
ATM-Benchはマルチモーダル、マルチソースパーソナライズされた参照メモリQAのための最初のベンチマークである。
ガイドメモリ(SGM)は、異なるソースから派生したメモリアイテムを構造的に表現する。
ATM-Bench-Hardセットでは性能が(20%の精度で)低いことが分かりました。
論文 参考訳（メタデータ） (2026-03-02T15:42:29Z) - AMemGym: Interactive Memory Benchmarking for Assistants in Long-Horizon Conversations [61.6579785305668]
AMemGymは、メモリ駆動型パーソナライゼーションのためのオンライン評価と最適化を可能にする対話型環境である。
我々のフレームワークは、対話エージェントのメモリ能力を向上するためのスケーラブルで診断に富んだ環境を提供する。
論文 参考訳（メタデータ） (2026-03-02T15:15:11Z) - MemoryArena: Benchmarking Agent Memory in Interdependent Multi-Session Agentic Tasks [55.145729491377374]
メモリを持つエージェントの既存の評価は、通常、単独で記憶と行動を評価する。
マルチセッションメモリ-エージェント環境ループにおけるエージェントメモリのベンチマークのための統合評価ジムであるMemoryArenaを紹介する。
MemoryArenaは、Webナビゲーション、優先制約付き計画、プログレッシブ情報検索、シーケンシャルなフォーマルな推論を含む評価をサポートする。
論文 参考訳（メタデータ） (2026-02-18T09:49:14Z) - Graph-based Agent Memory: Taxonomy, Techniques, and Applications [63.70340159016138]
メモリはLarge Language Model(LLM)ベースのエージェントの中核モジュールとして出現する。
さまざまなパラダイムの中でグラフは、関係依存をモデル化する本質的な能力のため、エージェントメモリの強力な構造として際立っている。
本調査では, エージェントメモリの総合的な検討について, グラフベースの観点から述べる。
論文 参考訳（メタデータ） (2026-02-05T13:49:05Z) - 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) - MemGen: Weaving Generative Latent Memory for Self-Evolving Agents [57.1835920227202]
本稿では,エージェントに人間的な認知機能を持たせる動的生成記憶フレームワークであるMemGenを提案する。
MemGenは、エージェントが推論を通して潜在記憶をリコールし、増大させ、記憶と認知の密接なサイクルを生み出すことを可能にする。
論文 参考訳（メタデータ） (2025-09-29T12:33:13Z) - Rethinking Memory in AI: Taxonomy, Operations, Topics, and Future Directions [55.19217798774033]
メモリは、大規模言語モデル(LLM)ベースのエージェントを支える、AIシステムの基本コンポーネントである。
本稿ではまず,メモリ表現をパラメトリックおよびコンテキスト形式に分類する。
次に、コンソリデーション、更新、インデックス付け、フォッティング、検索、圧縮の6つの基本的なメモリ操作を紹介します。
論文 参考訳（メタデータ） (2025-05-01T17:31:33Z)
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。