論文の概要: To Memories and Beyond: From Remembering to Knowing You across Long-Term Multimodal Personal Archives
- arxiv url: http://arxiv.org/abs/2609.19167v1
- Date: Fri, 11 Sep 2026 16:13:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.932034
- Title: To Memories and Beyond: From Remembering to Knowing You across Long-Term Multimodal Personal Archives
- Title（参考訳）: 思い出と向こうへ:長期にわたるマルチモーダル・パーソナル・アーカイブであなたを思い出す
- Abstract要約: ReaLMemは,複数年間の個人的視覚的アーカイブから構築された最初のベンチマークであり,一人称主観的アノテーションと組み合わせている。
ReaLMemは、事実的リコール、ペルソナ推論、予測的パーソナライゼーションの3つの難易度でモデルを評価する。
ChronoProfilerは、ユーザの属性の時間的安定性スコアを計算し、それをサリエンスとして適用することで、時間的不整合な好み間の競合を解決する。
- 参考スコア（独自算出の注目度）: 11.770666026257366
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As AI systems evolve into personalized digital companions, a central capability is reasoning over a user's long-term personal history: not merely storing past events, but tracking longitudinal experiences and evolving preferences. Progress here is bottlenecked by evaluation, existing long-term memory benchmarks are largely synthetic and text-only, they overlook the visual records that anchor everyday human memory, lack the authentic and causally connected longitudinal data that real personalization demands, and consequently remain confined to shallow factual recall. We introduce ReaLMem (Real-world Long-term Multimodal Memory), the first benchmark built from authentic multi-year personal visual archives, paired with first-person subjective annotations. ReaLMem evaluates models across three cognitive tiers of increasing difficulty: factual recall, persona inference, and predictive personalization. We further propose ChronoProfiler, a temporal-weighting profiling module that computes temporal stability scores for user attributes and applies them as a salience prior, resolving conflicts among temporally inconsistent preferences and helping models compound multiple co-active preferences in complex personalized decisions. Extensive evaluation of frontier multimodal large language models (MLLMs) and memory systems on ReaLMem reveals predictive personalization as a consistent ceiling, exposes clear performance gaps and bottlenecks between MLLMs and memory systems, and shows that high-quality, temporally informed representations substantially improve personalization. Together, ReaLMem and ChronoProfiler provide an authentic testbed and a simple, effective mechanism for long-term personalization, laying a foundation for future research on lifelong AI companions.
- Abstract（参考訳）: AIシステムは、パーソナライズされたデジタルコンパニオンへと進化するにつれて、ユーザの長期的個人的履歴を推論する中心的な能力 – 過去のイベントを格納するだけでなく、経時的な経験と進化する好みを追跡する。
ここでの進歩は、評価によってボトルネックとなり、既存の長期記憶ベンチマークは、主に合成され、テキストのみであり、日々の記憶を固定する視覚的記録を見落とし、実際のパーソナライゼーションの要求である真正かつ因果的に接続された縦データに欠け、結果として浅い事実のリコールに制限される。
ReaLMem(Real-world Long-term Multi-modal Memory)は,複数年ごとの個人的視覚的アーカイブを1対1の主観的アノテーションと組み合わせて構築した最初のベンチマークである。
ReaLMemは、事実的リコール、ペルソナ推論、予測的パーソナライゼーションの3つの難易度でモデルを評価する。
さらに,ユーザの属性に対する時間的安定性スコアを計算し,それをサリエンスとして適用する時間的重み付けプロファイリングモジュールであるChronoProfilerを提案する。
ReaLMemにおけるフロンティア・マルチモーダル・大規模言語モデル(MLLM)とメモリシステムの大規模評価により,予測的パーソナライズを一貫した天井として明らかにし,MLLMとメモリシステム間の明確なパフォーマンスギャップとボトルネックを明らかにし,高品質で時間的に通知された表現がパーソナライズを大幅に改善することを示す。
ReaLMemとChronoProfilerは共に、真正なテストベッドと、長期的なパーソナライゼーションのためのシンプルで効果的なメカニズムを提供し、生涯にわたるAIコンパニオンの研究の基礎を築いた。
関連論文リスト
- SocialPersona: Benchmarking Personalized Profiling and Response with Multimodal Social-Media Context [51.206396477505116]
SocialPersonaは、マルチモーダルな大規模言語モデル(MLLM)が、縦方向のソーシャルメディアタイムラインから明らかにされた好みを回復し、対話で使用することができるかどうかを評価するためのベンチマークである。
SocialPersonaには、テキスト、画像、タイムスタンプ、および7つの関心領域にまたがる2,597の人間認証された好みタグが含まれている。
論文 参考訳（メタデータ） (2026-06-25T06:31:56Z) - 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) - 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) - AlpsBench: An LLM Personalization Benchmark for Real-Dialogue Memorization and Preference Alignment [54.72137309071243]
AlpsBenchはWildChatからキュレートされた2500の長期的相互作用配列から構成され、人間によって検証された構造化記憶と組み合わせられる。
我々は、パーソナライズされた情報抽出、更新、検索、利用の4つの重要なタスクを定義し、メモリ管理のライフサイクル全体を評価するためのプロトコルを確立する。
i)モデルが潜在ユーザ特性を確実に抽出するのに苦労していること、(ii)メモリ更新が最強モデルでもパフォーマンス天井に直面すること、(iii)大きなイントラクタプールの存在下での検索精度が急激に低下すること、(iv)明示的なメモリ機構がリコールを改善する一方で、リコールは行わないこと、などである。
論文 参考訳（メタデータ） (2026-03-09T11:06:19Z) - Synthetic Interaction Data for Scalable Personalization in Large Language Models [67.31884245564086]
本稿ではPersonaGymという高忠実な合成データ生成フレームワークを紹介する。
パーソナライゼーションを静的なペルソナ-参照ペアとして扱う以前の作業とは異なり、PersonaGymは動的な選好プロセスをモデル化する。
我々は,高忠実度マルチターンパーソナライズされたインタラクショントラジェクトリの大規模かつ高品質で多様な合成データセットであるPersonaAtlasをリリースする。
論文 参考訳（メタデータ） (2026-02-12T20:41:22Z) - ES-MemEval: Benchmarking Conversational Agents on Personalized Long-Term Emotional Support [11.480342895892404]
大きな言語モデル (LLM) は会話エージェントとして大きな可能性を示している。
しかし、その有効性は、堅牢な長期記憶の欠陥によって制限されている。
ES-MemEvalは5つのコアメモリ機能を体系的に評価するベンチマークである。
EvoEmoは、パーソナライズされた長期的な感情的サポートのためのデータセットである。
論文 参考訳（メタデータ） (2026-02-02T09:58:26Z) - RGMem: Renormalization Group-based Memory Evolution for Language Agent User Profile [8.224917568034572]
物理における古典的再正規化群(RG)のイデオロギーに着想を得た自己進化型メモリフレームワークを提案する。
このフレームワークは対話履歴を複数のスケールで整理することができる。
私たちの研究の中核的な革新は、情報圧縮と出現のマルチスケールプロセスとしてのメモリ進化をモデル化することにあります。
論文 参考訳（メタデータ） (2025-10-18T08:16:46Z) - PRIME: Large Language Model Personalization with Cognitive Dual-Memory and Personalized Thought Process [6.27203886967197]
大規模言語モデル(LLM)のパーソナライゼーションは、モデルのアウトプットを個人の独特な好みや意見と整合させることを目的としている。
本稿では,エピソードおよびセマンティックメモリ機構を用いた統一フレームワークPRIMEを提案する。
実験はPRIMEの有効性を長文と短文の両方のシナリオで検証する。
論文 参考訳（メタデータ） (2025-07-07T01:54:34Z) - Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。
また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。
提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
論文 参考訳（メタデータ） (2020-05-18T11:29:38Z)
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。