論文の概要: CUE-Mem: Benchmarking Long-Term User Memory via Implicit Cues in Multimodal Conversations

• arxiv url: http://arxiv.org/abs/2609.32574v1
• Date: Sat, 26 Sep 2026 12:49:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 06:15:40.672166
• Title: CUE-Mem: Benchmarking Long-Term User Memory via Implicit Cues in Multimodal Conversations
• Title（参考訳）: CUE-Mem:マルチモーダル会話における暗黙のキューによる長期記憶のベンチマーク
• Abstract要約: CUE-Memは、暗黙の手がかりから長期ユーザメモリを評価するためのテキストイメージオーディオベンチマークである。 テキスト化されたメモリシステム全体において、暗黙のパフォーマンスはオラクルの証拠よりはるかに低いままである。 CUE-Memは、微妙なマルチモーダルエビデンスを選択的に保持、取得、使用するためのメモリシステム用のテストベッドを提供する。
• 参考スコア（独自算出の注目度）: 38.05872353835406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term memory is essential for multimodal agents that interact with users across sustained conversations. However, user memories are not always explicitly stated: they may also be implied by recurring background objects in images, ambient sounds in audio, or other peripheral multimodal cues. Existing benchmarks largely focus on text-only memory or explicit multimodal evidence, leaving implicit multimodal cues underexplored. We introduce CUE-Mem, a text-image-audio benchmark for evaluating long-term user memory from implicit cues. CUE-Mem contains 2,674 questions across explicit and implicit evidence settings and covers four tasks: Entity Recall, Long Pattern, Personalized Recommendation, and Answer Refusal. Across textualized memory systems, implicit performance remains far below oracle evidence, locating the main bottleneck in preserving and retrieving subtle cues rather than question answerability. Increasing caption detail recovers more of this evidence, but brings uneven gains and rapidly growing token costs, motivating native multimodal access. Yet native access does not uniformly resolve the bottleneck: evidence use depends strongly on the backbone, while multimodal indexing introduces substantial retrieval noise. CUE-Mem provides a testbed for memory systems that selectively retain, retrieve, and use subtle multimodal evidence.
• Abstract（参考訳）: 持続的な会話を通じてユーザと対話するマルチモーダルエージェントには、長期記憶が不可欠である。 画像中の背景オブジェクト、音声中の周囲の音、その他の周辺マルチモーダルの手がかりによっても暗示される可能性がある。 既存のベンチマークは、主にテキストのみのメモリや明示的なマルチモーダルエビデンスに焦点を当てており、暗黙のマルチモーダルキューは未調査のままである。 CUE-Memは、暗黙の手がかりから長期ユーザメモリを評価するためのテキストイメージオーディオベンチマークである。 CUE-Memには、明示的で暗黙的なエビデンス設定に関する2,674の質問が含まれており、Entity Recall、Long Pattern、Personalized Recommendation、Answer Refusalの4つのタスクをカバーする。 テキスト化されたメモリシステム全体では、暗黙のパフォーマンスはオラクルの証拠よりはるかに低いままであり、質問応答可能性よりも微妙な手がかりを保存および検索する際の主要なボトルネックを突き止めている。 キャプションの詳細の増大は、この証拠を回復させるが、不均一な利益をもたらし、トークンコストが急速に増加し、ネイティブなマルチモーダルアクセスを動機付けている。 しかし、ネイティブアクセスはボトルネックを均一に解決しない:証拠の使用はバックボーンに強く依存するが、マルチモーダルインデックスは実質的な検索ノイズをもたらす。 CUE-Memは、微妙なマルチモーダルエビデンスを選択的に保持、取得、使用するためのメモリシステム用のテストベッドを提供する。

関連論文リスト

• CueMem: Cue-Guided Context Reconstruction for Long-Term Conversational Memory [38.76918926805768]
  CueMemは、抽出されたメモリレコードを検索キューとして扱うキュー誘導フレームワークである。 ソースターンからクエリ関連対話コンテキストを再構築する。 LoCoMoとLongMemEvalの実験によると、CueMemは長期的なメモリベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-09-11T02:27:22Z)
• Where to Look and What to Use: Retrieve-Localize-Generate for Long-Term Conversational Memory Question Answering [42.31517185994942]
  RAGは、外部知識にアクセスすることによって、大きな言語モデルで質問に答えることを可能にする。 既存の方法は、時間的に離れたセッションに散在する断片化されたエビデンスと、中途半端な効果を誘発する検索セッション内のノイズのある内容の2つの主要な課題に悩まされている。 本稿では,長期会話メモリQAのための検索・ローカライズ・ジェネレーション統合フレームワークであるMemLocを提案する。
  論文  参考訳（メタデータ） (2026-09-07T06:32:12Z)
• When Users Don't Ask: Benchmarking Context-Driven Memory Retrieval in Conversational Agents [21.60115070942764]
  LOCOMO-CONVは、Lo-CoMoから派生したメモリベンチマークで、ダイアログ、暗黙、偽造、合成の4つのスタイルを持つ。 5つの反感的メモリシステムにおいて,検索リコールとエンドツーエンドの応答等性の評価を行った。
  論文  参考訳（メタデータ） (2026-09-03T07:24:33Z)
• 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)
• MemLens: Benchmarking Multimodal Long-Term Memory in Large Vision-Language Models [50.25006399944962]
  メモリは、長いマルチモーダル相互作用を扱うために、大きな視覚言語モデルにとって不可欠である。 MEMLENSはマルチモーダルマルチセッション会話におけるメモリのベンチマークである。 我々は27個のLVLMと7個のメモリ増強剤を評価した。
  論文  参考訳（メタデータ） (2026-05-14T14:41:17Z)
• 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)
• Mem-Gallery: Benchmarking Multimodal Long-Term Conversational Memory for MLLM Agents [76.76004970226485]
  長期記憶はマルチモーダル大言語モデル(MLLM)エージェントにとって重要な機能である。 Mem-GalleryはMLLMエージェントのマルチモーダル長期会話メモリ評価のための新しいベンチマークである。
  論文  参考訳（メタデータ） (2026-01-07T02:03:13Z)
• From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
  大言語モデル(LLM)は会話エージェントで広く採用されている。 MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-26T06:13:07Z)

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。