論文の概要: The Past Frames the Future: Memory for Autoregressive Video Generation

• arxiv url: http://arxiv.org/abs/2609.28466v1
• Date: Wed, 23 Sep 2026 17:54:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.13951
• Title: The Past Frames the Future: Memory for Autoregressive Video Generation
• Title（参考訳）: 過去と未来 - 自動回帰ビデオ生成のための記憶
• Abstract要約: 本稿では,ARビデオ生成における記憶機構の体系的,包括的レビューを行う。 我々は、外部ARステップにまたがる永続的な履歴情報として、メモリを運用的に定式化する。 本稿では,信頼性の高いメモリ条件のビデオ生成システムを構築するための構造的基盤を確立する。
• 参考スコア（独自算出の注目度）: 180.54347159008623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advances in generative models have improved video fidelity, enabling long-horizon generation, interactive world modeling, and evolving visual environments. Autoregressive (AR) video generation extends visual sequences through causal rollouts. However, a fundamental bottleneck emerges: as the generated sequence expands, practical models must operate under strictly bounded context windows, storage, and computational limits. Consequently, critical historical information, e.g., entity identities, dynamic states, and intervention-induced causal changes, often leaves the active context long before its relevance diminishes. Overcoming this limitation and maintaining temporal persistence constitutes a fundamental memory problem. We present a systematic and comprehensive review of memory mechanisms in AR video generation. We formulate memory operationally as persistent historical information maintained across outer AR steps, capable of influencing future generation even after the originating evidence is no longer locally accessible. Building upon this unified framework, we organize the literature through five complementary perspectives: (I) Forms, the representational carriers of history; (II) Functions, the specific semantic and physical information requiring preservation; (III) Operations, the lifecycle of writing, reading, updating, managing, and integrating memory; (IV) Learning, the optimization of memory behaviors under closed-loop rollouts; and (V) Evaluation, the paradigms for diagnosing genuine memory capabilities. We conclude by synthesizing open challenges, including composable and resource-aware memory architectures, trustworthy state updating, self-rollout learning, and standardized evaluation. By bridging representations, mechanisms, and learning paradigms, this paper establishes a structured foundation for developing reliable, memory-conditioned video generation systems.
• Abstract（参考訳）: 生成モデルの進歩は、ビデオの忠実性を改善し、長距離生成、インタラクティブな世界モデリング、視覚環境の進化を可能にした。 自己回帰(AR)ビデオ生成は、因果ロールアウトを通じて視覚的シーケンスを拡張する。 しかし、生成シーケンスが拡大するにつれて、実用的なモデルは厳密なコンテキストウィンドウ、ストレージ、計算限界の下で動作しなければなりません。 その結果、重要な歴史的情報、例えば、実体のアイデンティティ、動的状態、介入によって引き起こされる因果関係の変化は、しばしばその関連性が低下するずっと前に活動的な文脈を残している。 この制限を克服し、一時的な持続性を維持することは、基本的なメモリ問題である。 本稿では,ARビデオ生成における記憶機構の体系的,包括的レビューを行う。 我々は、外部ARステップにまたがる永続的な歴史的情報として記憶を定式化し、発生した証拠が局所的にアクセスできなくなった後も、将来の世代に影響を与えることができる。 この統合された枠組みを基盤として,本論文は, (I) 形態, 歴史の表現的キャリア, (II) 機能, 特定の意味的および物理的情報の保存を必要とする機能, (III) 動作, 書き込み, 読み込み, 更新, 管理, メモリ統合のライフサイクル, (IV) 閉ループロールアウト下でのメモリ挙動の最適化, (V) 真のメモリ能力の診断のためのパラダイム, 評価の5つの相補的な視点を通じて, 文献を整理する。 コンポーザブルでリソースを意識したメモリアーキテクチャ,信頼性の高い状態更新,自己ロールアウト学習,標準化された評価など,オープンな課題を合成して結論付ける。 本稿では,表現,メカニズム,学習パラダイムをブリッジすることで,信頼性の高いメモリ条件のビデオ生成システムを構築するための構造化基盤を確立する。

関連論文リスト

• Memory for Large Language Models [18.001409529004807]
  大規模言語モデルにおけるメモリの体系的・アーキテクチャ中心の分類法を提案する。 メモリ書き込み、ルーティング、状態遷移、統合を規定する粒度のメカニズムを定式化する。 この統一された視点は、計算に結合したメモリと独立して対応可能なメモリの間の概念的境界を解明する。
  論文  参考訳（メタデータ） (2026-07-28T07:34:53Z)
• The AI Hippocampus: How Far are We From Human Memory? [77.04745635827278]
  インプリシットメモリは、事前訓練されたトランスフォーマーの内部パラメータに埋め込まれた知識を指す。 明示メモリは、動的でクエリ可能な知識表現でモデル出力を増大させるように設計された外部ストレージと検索コンポーネントを含んでいる。 エージェントメモリは、自律エージェント内に永続的、時間的に拡張されたメモリ構造を導入する。
  論文  参考訳（メタデータ） (2026-01-14T03:24:08Z)
• Memory in the Age of AI Agents [217.9368190980982]
  この研究は、現在のエージェントメモリ研究の最新の展望を提供することを目的としている。 我々は,エージェントメモリ,すなわちトークンレベル,パラメトリック,潜時メモリの3つの支配的実現を同定する。 実用的な開発を支援するため、メモリベンチマークとオープンソースフレームワークの包括的な概要をコンパイルする。
  論文  参考訳（メタデータ） (2025-12-15T17:22:34Z)
• MemOS: A Memory OS for AI System [116.87568350346537]
  大規模言語モデル(LLM)は、人工知能(AGI)にとって不可欠な基盤となっている。 既存のモデルは、主に静的パラメータと短命なコンテキスト状態に依存しており、ユーザの好みを追跡したり、長い期間にわたって知識を更新する能力を制限する。 MemOSはメモリを管理可能なシステムリソースとして扱うメモリオペレーティングシステムである。
  論文  参考訳（メタデータ） (2025-07-04T17:21:46Z)

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。