論文の概要: Memory Has Geometry: Non-Uniform Geometric Memory for Long-Horizon Personalized AI

• arxiv url: http://arxiv.org/abs/2609.17969v1
• Date: Wed, 16 Sep 2026 00:51:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.583325
• Title: Memory Has Geometry: Non-Uniform Geometric Memory for Long-Horizon Personalized AI
• Title（参考訳）: メモリは幾何学的:長距離パーソナライズされたAIのための不均一な幾何学的メモリ
• Abstract要約: 長期記憶は、パーソナライズされたAIのコアとなる。 ほとんどの系は、ほとんど静的な潜在空間における離散レコードとしてパーソナライゼーションを表現している。 長期のパーソナライゼーションは、ユーザ固有の動的状態空間としてメモリをモデル化すべきである、と我々は主張する。
• 参考スコア（独自算出の注目度）: 46.363829542740035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-term memory is becoming a core substrate for personalized AI, yet most systems still represent personalization as discrete records in a largely static latent space, accessed under one global similarity notion. For data mining, this creates a mismatch: the evidence is a temporal event stream, while the dominant abstraction is a searchable record set. We argue that long-horizon personalization should instead model memory as a user-specific dynamical state space with locally heterogeneous geometry. Geometry here is a computational language, not a literal claim about cognition: it captures stable versus volatile regions, variable-rate drift, heterogeneous neighborhoods, and uncertainty about current user state. Profiles and isolated events remain useful as points, but interaction, feedback, and elapsed time induce trajectories. Memory access then becomes trajectory-conditioned reconstruction of the relevant user state, not only nearest-neighbor lookup.
• Abstract（参考訳）: 長期的なメモリは、パーソナライズされたAIのコア基板になりつつあるが、ほとんどのシステムは、大半が静的な潜在空間における個別レコードとしてパーソナライズを表現しており、ひとつのグローバルな類似概念の下でアクセスされている。 証拠は一時的なイベントストリームであり、支配的な抽象化は検索可能なレコードセットである。 長期のパーソナライゼーションは、ローカルなヘテロジニアスな形状を持つユーザ固有の動的状態空間としてメモリをモデル化すべきである、と我々は主張する。 安定な領域と揮発性領域、変動速度のドリフト、異質な地区、現在のユーザ状態に関する不確実性をキャプチャする。 プロファイルと孤立したイベントは依然としてポイントとして有用であるが、相互作用、フィードバック、経過した時間によって軌道が誘導される。 メモリアクセスは、最寄りのルックアップだけでなく、関連するユーザ状態のトラジェクティブ条件で再構築される。

関連論文リスト

• Disentangling Long-Term Memory via Latent Neuro-Symbolic Reasoning [47.430887329861264]
  LGMは、長期記憶のゆがみを連続的な潜伏空間に変える新しいニューロシンボリック・フレームワークである。 過去のインタラクションを潜在メモリノードにマッピングし、メモリトレースをスパースなコンセプトアクティベーションに切り離す。 パーソナライズされた応答を可能にしながら、明示的および暗黙的な嗜好の両方をキャプチャすることで、最先端のベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2026-09-16T10:55:22Z)
• LT-Mem: Volatility-Aware Spatio-Temporal Memory for Lifelong Scene Understanding [3.1007425074240866]
  進化する環境における長期ロボット操作は、繰り返し再考されるオブジェクトレベルの理解を必要とする。 既存のシステムは、最新マップを維持するために履歴を上書きするか、一貫性のあるクロスセッションオブジェクトIDなしでセマンティックスナップショットを保存する。 本稿では、空間的に整合したインスタンスレベルの3次元知覚を、ボラティリティ条件付き時間的推論で統一する、ボラティリティ対応メモリ進化フレームワークLT-Memを提案する。
  論文  参考訳（メタデータ） (2026-08-19T15:56:53Z)
• Beyond Episodic Evaluation: Memory Architectural Bottlenecks in Sequential Embodied Question Answering [93.80043825360514]
  EQA(Embodied Question answering)は、伝統的にエピソードの定式化の下で評価され、エージェントは各タスクを独立して解決し、エピソード間の内部状態をリセットする。 EQAエージェントを逐次評価する際に異なるメモリアーキテクチャがどのように振る舞うかを検討する。 既存のメモリを単純に保存することは、しばしば不十分である。 連続したシーン表現の視覚的意味的証拠を3次元幾何学にマッピングするアーキテクチャについて, 構造的, 空間的基盤的記憶の必要性を強調した。
  論文  参考訳（メタデータ） (2026-07-23T17:50:45Z)
• MRMS: A Multi-Resolution Memory Substrate for Long-Lived AI Agents [2.808851478009314]
  長期的なAIエージェントは、相互作用の連続性を必要とする。 プロンプトウィンドウを拡張するだけで連続性を得ることはできない。 2つの軸に沿って構成されたアーキテクチャ記憶基板を提案する。
  論文  参考訳（メタデータ） (2026-07-06T02:54:37Z)
• Q-GeoMem: Question-Guided Geometric Memory for Video Spatial Reasoning [53.96129188781529]
  ビデオ空間推論のための質問誘導幾何メモリフレームワークを提案する。 カメラ条件の幾何学を 視覚トークンに注入し 2つの相補記憶を維持します 本研究は,評価空間推論モデルにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-05-26T17:26:29Z)
• 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)
• LifeBench: A Benchmark for Long-Horizon Multi-Source Memory [22.24847456134897]
  本稿では,密結合型長距離イベントシミュレーションを特徴とするLifebenchを紹介する。 Lifebenchは、AIエージェントを単純なリコールを超えて、宣言的および宣言的でないメモリ推論の統合を必要とする。 性能評価の結果、最先端の最先端のメモリシステムは55.2%の精度にしか達していない。
  論文  参考訳（メタデータ） (2026-03-04T06:42:17Z)
• LaMemo: Language Modeling with Look-Ahead Memory [50.6248714811912]
  右側トークンへの漸進的参加により再帰記憶を向上させるLook-Ahead Memory(LaMemo)を提案する。 LaMemoは、メモリ長に比例した追加のオーバーヘッドで、双方向の注意とセグメントの再発を受け入れる。 広く使われている言語モデリングベンチマークの実験は、異なる種類のメモリを備えたベースラインよりも優れていることを示した。
  論文  参考訳（メタデータ） (2022-04-15T06:11:25Z)

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。