論文の概要: Amnesia by Design, Memory By Necessity: Persistent State for Document Intelligence
- arxiv url: http://arxiv.org/abs/2609.32041v1
- Date: Fri, 25 Sep 2026 22:12:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 03:36:41.805037
- Title: Amnesia by Design, Memory By Necessity: Persistent State for Document Intelligence
- Title（参考訳）: Amnesia by Design, Memory by Necessity: Persistent State for Document Intelligence
- Abstract要約: Modern Document AIは、コントラクトを読み、フィールドを抽出し、テーブル上の理由を抽出し、ページ領域に回答を土台にして、すべてを忘れる。
これは構造的な選択であり、スケール障害ではない。
この調査は、永続的な証拠に基づく文書状態を統一フレームワークとして定式化する。
- 参考スコア（独自算出の注目度）: 0.3376269351435395
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern Document AI reads contracts, extracts fields, reasons over tables, and grounds answers to page regions, then forgets everything. Processing an amendment the next day begins from scratch: no schema retained, no contradiction detected, no experience carried forward. This is a structural choice, not a scale failure: current systems are stateless functions. We call this the statelessness bottleneck. This bottleneck lies beyond parameter scaling, context extension, and retrieval augmentation: storage provides persistence and retrieval provides access, but neither consolidates observations into knowledge that improves future processing. This survey formalizes persistent evidence-grounded document state as a unifying framework, specifying the operations and invariants required to convert multimodal evidence into durable, provenance-linked state. We introduce a statefulness audit showing that ten representative benchmarks, coded against eight statefulness criteria, leave cross-session state evolution untested, and derive a longitudinal benchmark harness with five counterfactual metrics: Experience Gain, Cost Efficiency, Memory Harm, Forgetting Fidelity, Coverage Retention, to characterize the benefit, cost, risk, and governability of persistent document state. Document AI lacks mechanisms coupling persistent state to document-native structure, provenance, and temporal validity. The next era of Document AI will be defined by what systems retain across documents, sessions, and time.
- Abstract（参考訳）: Modern Document AIは、コントラクトを読み、フィールドを抽出し、テーブル上の理由を抽出し、ページ領域に回答を土台にして、すべてを忘れる。
翌日の修正案の処理はスクラッチから始まり、スキーマは保持されず、矛盾も検出されず、経験は受け継がれなかった。
これは構造的な選択であり、スケール障害ではない。
これをステートレスのボトルネックと呼んでいる。
ストレージは永続性を提供し、検索はアクセスを提供するが、どちらも将来の処理を改善する知識に観察を統合しない。
この調査は、永続的なエビデンスを基盤とした文書状態を統一的な枠組みとして定式化し、マルチモーダルなエビデンスを永続的で証明に結びつく状態に変換するために必要な操作と不変性を規定する。
我々は,8つのステートフルネス基準に対してコーディングされた10の代表的なベンチマークを,クロスセッション状態の進化を未検証のまま残し,持続的なドキュメント状態のメリット,コスト,リスク,支配性を特徴付けるために,経験的ゲイン,コスト効率,メモリハーム,保持率,保持率の5つのカレンダベンチマークを導出することを示すステートフルネス監査を紹介した。
ドキュメントAIには、永続的な状態をドキュメントネイティブ構造、前例、時間的妥当性に結合するメカニズムが欠けている。
Document AIの次の時代は、ドキュメント、セッション、時間間で保持されるシステムによって定義される。
関連論文リスト
- The Past Frames the Future: Memory for Autoregressive Video Generation [180.54347159008623]
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。
論文 参考訳（メタデータ） (2026-09-23T17:54:52Z) - REVEAL: A Rubric-Guided Agent for Explicit Evidence Sufficiency Verificationin Long-Video Question Answering [25.519927761448603]
REVEALは、長いビデオ質問応答のためのルーリック誘導エージェントフレームワークである。
本稿では,視覚的コヒーレントな隣接フレームを自然なイベント単位にグループ化する適応型視覚類似性に基づく前処理パイプラインを提案する。
この構造化メモリ上に構築されたREVEALは、自動的に構築されたルーリックライブラリを使用して、検索された証拠が満足度基準を満たすかどうかを明示的に検証する。
論文 参考訳（メタデータ） (2026-08-09T09:55:42Z) - DocMemo: Dynamic Evidence Discovery via Probabilistic Memory-Guided Retrieval for Multi-Modal Document Understanding [6.3805171496158195]
長い文書の理解には、数百ページにわたるまばらで異質な証拠を見つける必要がある。
動的エビデンス探索として長期文書推論を定式化するメモリガイドフレームワークDocMemoを提案する。
3つのベンチマーク実験の結果、DocMemoは最先端のパフォーマンスを実現し、構造化メモリの有効性と動的ページ信念の更新の有効性を検証した。
論文 参考訳（メタデータ） (2026-08-07T10:16:56Z) - Presentation, Not Mechanism: A Render Confound in Deprecation-Aware Memory Evaluation [14.101636730819175]
我々は,2,907質問に対して,平坦な検索,粗いエッジ無効化,きめ細かいRevisionLedgerを比較し,Evidence-State Revisionについて検討した。
値が変更され、後に復元されたとき、RevisionLedgerはフラットベースラインを+0.182で打ち負かしているように見える。
粗い無効化は、現在のクエリに課金する唯一のメカニズムであり、微細な台帳を0.084で上回っている。
論文 参考訳（メタデータ） (2026-07-17T14:55:34Z) - MemEye: A Visual-Centric Evaluation Framework for Multimodal Agent Memory [80.97855900579512]
既存の評価では、エージェントが後続の推論に必要な視覚的証拠を保存するかどうかを検査することはめったにない。
メモリ性能を2次元から評価するフレームワークであるMemEyeを紹介する。
本フレームワークでは,8つのライフシナリオタスクにまたがる新しいベンチマークを構築した。
論文 参考訳（メタデータ） (2026-05-14T17:37:52Z) - STALE: Can LLM Agents Know When Their Memories Are No Longer Valid? [5.361950931863979]
大規模言語モデル(LLM)エージェントは、コヒーレントで長期的なパーソナライズされたメモリを維持することがますます期待されている。
現在のベンチマークは、主に静的な事実検索を計測し、新しい証拠が現れたときに保存された信念を更新する能力を見下ろしている。
専門家が検証した400の競合シナリオのベンチマークであるSTALEを紹介します。
CUPMemは,構造化状態統合と伝搬認識探索による書き込み時間リビジョンを強化するプロトタイプである。
論文 参考訳（メタデータ） (2026-05-07T16:31:15Z) - FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation [73.22935457705057]
時間的動的文脈における再ランカ評価のためのベンチマークであるFRESCOを紹介する。
レクエンシ検索クエリと過去のウィキペディアのリビジョンを組み合わせることで、FRESCOは、セマンティックな関連性を維持しながら、リランカが事実として最新の証拠を優先順位付けできるかどうかをテストする。
我々の評価では、既存の再ランカ間で一貫した障害モードが明らかになっている。
論文 参考訳（メタデータ） (2026-04-14T17:04:25Z) - Learning Refined Document Representations for Dense Retrieval via Deliberate Thinking [58.69615583599489]
Deliberate Thinking based Retriever (Debater) は、段階的な思考プロセスを導入することで文書表現を強化する新しいアプローチである。
Debaterは、いくつかのベンチマークで既存のメソッドよりも大幅に優れています。
論文 参考訳（メタデータ） (2025-02-18T15:56:34Z) - GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。
FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
論文 参考訳（メタデータ） (2022-04-12T03:49:35Z)
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。