論文の概要: ProTTT: Learning to Learn Semantic User Memory with Test-Time Training

• arxiv url: http://arxiv.org/abs/2609.32564v1
• Date: Sat, 26 Sep 2026 12:36:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 06:19:39.502135
• Title: ProTTT: Learning to Learn Semantic User Memory with Test-Time Training
• Title（参考訳）: ProTTT: テスト時間トレーニングによるセマンティックユーザメモリの学習
• Abstract要約: パーソナライゼーションは、成長するユーザ履歴からユーザ固有の知識をキャプチャする言語モデルを必要とする。 セマンティックユーザメモリを学習するためのプロファイル教師付きメタラーニングフレームワークであるProTTTを紹介する。
• 参考スコア（独自算出の注目度）: 20.365190284463292
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Personalization requires language models to capture user-specific knowledge from a growing user history. Existing context-based approaches incur increasing inference costs as user history accumulates and rely on separate retrieval or summarization stages, while parametric-based approaches often require reconstructing user representations when new user data is added. We introduce ProTTT, a profile-supervised meta-learning framework for learning semantic user memory. The memory construction starts from a shared initialization and is updated for each user through test-time training on user history, allowing it to evolve continuously as the history grows. However, since test-time training alone does not explicitly encourage the memory to capture semantic user knowledge necessary for personalization, we learn this shared initialization using textual user profiles as supervision, so that test-time training on user history captures semantic knowledge more effectively. ProTTT consistently outperforms both full history ICL and all parametric baselines across diverse benchmarks, while substantially reducing inference cost by compressing user history into a lightweight parameterized memory. Our analysis also shows that profile supervision is a reliable objective for learning semantic user knowledge and that the resulting memory can track and retain evolving user preferences, while remaining robust across different history sizes. Overall, we demonstrate the effectiveness of test-time training for personalization and establish ProTTT as a baseline for continuously evolving user memory.
• Abstract（参考訳）: パーソナライゼーションは、成長するユーザ履歴からユーザ固有の知識をキャプチャする言語モデルを必要とする。 既存のコンテキストベースのアプローチでは、ユーザ履歴が蓄積され、別々の検索や要約ステージに依存するため、推論コストが増大する。 セマンティックユーザメモリを学習するためのプロファイル教師付きメタラーニングフレームワークであるProTTTを紹介する。 メモリ構成は共有初期化から始まり、ユーザ履歴に関するテストタイムトレーニングを通じて各ユーザに対して更新される。 しかし、テストタイムのトレーニングだけでは、パーソナライズに必要なセマンティックなユーザ知識のキャプチャをメモリに明示的に促さないため、テキストによるユーザプロファイルを監督として、この共有初期化を学習することで、ユーザ履歴に対するテストタイムのトレーニングがセマンティックな知識をより効果的にキャプチャする。 ProTTTは様々なベンチマークで全履歴ICLと全パラメトリックベースラインを一貫して上回り、ユーザーの履歴を軽量なパラメータ化メモリに圧縮することで推論コストを大幅に削減する。 分析の結果,プロファイルの監視はセマンティックなユーザ知識を学習するための信頼性の高い目標であり,結果として得られるメモリは,さまざまな履歴サイズで頑健なまま,ユーザの好みを追跡・維持できることがわかった。 全体として,個人化のためのテストタイムトレーニングの有効性を実証し,ProTTTをユーザメモリを継続的に進化させるベースラインとして確立する。

関連論文リスト

• PRAGMA: Evaluating Personalized Guidance with Memory Alignment in Lifelong Conversations [21.191446906833303]
  大規模言語モデル(LLM)は、長期にわたってユーザと対話するパーソナライズされたアシスタントとして、ますます多くデプロイされている。 会話が長くなるにつれて、完全なインタラクション履歴に依存することが、ますます非効率になり、信頼できなくなる。 本稿では、長期会話におけるパーソナライズされたガイダンスを評価するためのベンチマークであるPRAGMAを紹介する。
  論文  参考訳（メタデータ） (2026-09-09T03:31:47Z)
• PersonaTrail: Benchmarking Personalized Web Agents through Browsing Trails [42.825314356642956]
  PersonaTrailは、管理されたオープンなWeb環境で動作するパーソナライズされたWebエージェントのベンチマークである。 PACMemは、生のブラウジング履歴を2種類の構造化メモリに分解するフレームワークである。 実験の結果、PACMemは両方のタスクで既存のメモリベースベースラインを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-05-30T13:27:55Z)
• Preference-Aware Rubric Learning for Personalized Evaluation [59.539429430690156]
  既存の評価手法では、長期的なインタラクション履歴に埋め込まれたユーザ固有の嗜好をキャプチャできない。 静的判断よりも学習問題としてパーソナライズされた評価を定式化するパラダイムであるパーソナライズド・アズ・ラーニングを提案する。 実験により、PARLはユーザ対応の応答を確実に識別し、ユーザ間で一般化する高忠実なルーブリックを一貫して誘導することが示された。
  論文  参考訳（メタデータ） (2026-05-29T17:00:55Z)
• 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)
• 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)
• 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)
• Memory Assisted LLM for Personalized Recommendation System [1.8788391002788387]
  大規模言語モデル(LLM)は、レコメンデーションタスクの解決に大きな可能性を示している。 メモリアシスト型パーソナライズ LLM (MAP) を提案する。 まず、ユーザ毎に履歴プロファイルを作成し、履歴項目のレーティングなどの好みをキャプチャする。 推薦中、類似性に基づいて関連記憶を抽出し、それをプロンプトに組み込んでパーソナライズされたレコメンデーションを強化する。
  論文  参考訳（メタデータ） (2025-05-03T06:24:18Z)
• Personalized Graph-Based Retrieval for Large Language Models [51.7278897841697]
  ユーザ中心の知識グラフを利用してパーソナライゼーションを強化するフレームワークを提案する。 構造化されたユーザ知識を直接検索プロセスに統合し、ユーザ関連コンテキストにプロンプトを拡大することにより、PGraphはコンテキスト理解と出力品質を向上させる。 また,ユーザ履歴が不足あるいは利用できない実環境において,パーソナライズされたテキスト生成タスクを評価するために設計された,パーソナライズドグラフベースのテキスト生成ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-01-04T01:46:49Z)
• A Cooperative Memory Network for Personalized Task-oriented Dialogue Systems with Incomplete User Profiles [55.951126447217526]
  ユーザプロファイルの完成を前提とせず,タスク指向対話システムについて検討する。 ユーザプロファイルを徐々に強化する新しいメカニズムを持つ協調記憶ネットワーク(CoMemNN)を提案する。 CoMemNNは、ユーザープロファイルを効果的に強化することができ、応答選択精度の点で3.6%の改善につながります。
  論文  参考訳（メタデータ） (2021-02-16T18:05:54Z)
• 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。