論文の概要: PersMem: Internalizing Personality into Dual-Pathway Memory for LLM Agents

• arxiv url: http://arxiv.org/abs/2609.34372v1
• Date: Mon, 28 Sep 2026 05:46:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 21:22:02.773503
• Title: PersMem: Internalizing Personality into Dual-Pathway Memory for LLM Agents
• Title（参考訳）: PersMem: LLMエージェントのためのパーソナリティをデュアルパスウェイメモリに内部化する
• Abstract要約: Personality-Integrated Memory (PersMem) はエージェントのメモリ処理パイプラインにパーソナリティを統合する。 PersMemは4つのステップを使用してメモリを処理し、パーソナリティをオペレーション固有のパラメータにマッピングする。 これらの人格依存的なアタッチメントとビッグファイブ設定の違いを評価した。
• 参考スコア（独自算出の注目度）: 21.24001671187772
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The profile of a role-playing agent usually depends on the pre-defined personality in a system prompt, whereas its memory processing pipeline, including prioritisation of stored memories and subsequent retrieval, remains independent of this personality. This separation causes the agent's memory processing to be inconsistent with the pre-defined personality, and makes it difficult to validate whether agent behaviours follow this personality. In this paper, we propose Personality-Integrated Memory (PersMem), which integrates personality into the agent's memory processing pipeline, making it consistently personality-dependent. PersMem processes memory using four steps, where the personality is mapped to operation-specific parameters controlling: (i) affective appraisal annotating emotion states of the user input; (ii) retention of previously stored memories along with the current input; (iii) passive affect-driven memory retrieval exploring memories similar to user input in semantics and personality-guided emotions; and (iv) active goal-driven memory retrieval that refines and selects passively retrieved memories for the reply. Consequently, consistency with the pre-defined personality can be examined by inspecting memory-processing traces during human-agent interactions. We evaluate these personality-dependent differences in attachment and Big Five settings. PersMem exceeds the chance baseline for four-way attachment classification by 23.1 percentage points. In Big Five dialogue comparisons, PersMem achieves 67.5% accuracy, 6.7 percentage points above a baseline using uniformly sampled memories. On CoSER, PersMem achieves an average score of 66.13, with scores of 69.33 for Character Fidelity and 84.33 for Storyline Quality. Together, these results show that PersMem produces distinguishable personality-related memory-processing patterns.
• Abstract（参考訳）: ロールプレイングエージェントのプロファイルは、通常、システムプロンプトの事前定義されたパーソナリティに依存するが、そのメモリ処理パイプラインは、記憶された記憶の優先順位付けやその後の検索を含む、このパーソナリティとは独立なままである。 この分離により、エージェントのメモリ処理は事前に定義されたパーソナリティと矛盾し、エージェントの動作がこのパーソナリティに従うかどうかを検証するのが難しくなる。 本稿では,エージェントのメモリ処理パイプラインにパーソナリティを組み込んだパーソナリティ・インテグレート・メモリ(PersMem)を提案する。 PersMemは4つのステップを使用してメモリを処理します。 i) ユーザ入力の感情状態を示す情緒的評価 二 前述した記憶の現在の入力による保持 三 セマンティクス及びパーソナリティ誘導感情におけるユーザ入力に類似した記憶を探索する受動的感情駆動記憶検索 (4) 応答に対して受動的に検索された記憶を洗練・選択する能動的ゴール駆動メモリ検索。 その結果、人間とエージェントの相互作用の間、メモリ処理トレースを検査することで、事前に定義された個性との整合性を調べることができる。 これらの人格依存的なアタッチメントとビッグファイブ設定の違いを評価した。 PersMemは4方向アタッチメント分類のチャンスベースラインを23.1ポイント越えている。 ビッグファイブの対話比較では、PersMemは67.5%の精度で、一様にサンプリングされた記憶を用いてベースラインより6.7ポイント高い。 CoSERでは、PersMemの平均スコアは66.13で、キャラクタフィデリティは69.33、ストーリーライン品質は84.33である。 これらの結果から,PersMemはパーソナリティ関連記憶処理パターンを区別できることがわかった。

関連論文リスト

• Setoka: A Benchmark for Hierarchical User Understanding in Personalized Agents over Heterogeneous Data [8.564332409420473]
  メモリ拡張されたパーソナライズされたエージェントを評価するためのベンチマークであるセトカを提案する。 セトカは、意味記憶、エピソード記憶、行動パターン、性格特性の4つのレベルのユーザー理解を定義している。 その結果,既存のシステムではセマンティックメモリの検索に優れていたが,セマンティックメモリでは性能が低下していることがわかった。
  論文  参考訳（メタデータ） (2026-07-29T15:47:40Z)
• When Should Memory Stay Silent: Measuring Memory-Use Boundaries in Memory-Augmented Conversational Agents [13.354128891280316]
  長期記憶により、言語モデルエージェントはパーソナライズされたインタラクションをサポートすることができる。 利用可能な記憶がいつ応答に統合されるかは、まだ不明である。 検索システムは露光を減らすが、感度の高いメモリがジェネレータに到達すると、統合を排除しない。
  論文  参考訳（メタデータ） (2026-06-04T11:54:51Z)
• ENPMR-Bench: Benchmarking Proactive Memory Retrieval for Emotional Support Agents [53.83618283684421]
  ENPMR-Benchは,情緒的欲求認識型アクティブメモリ検索のためのベンチマークである。 ENPMR-Benchは1,800以上のメモリ拡張ダイアログを含み、感情的なニーズと支援的なメモリタイプの間の構造化マッピングを定義する。
  論文  参考訳（メタデータ） (2026-05-26T16:22:35Z)
• MemoryArena: Benchmarking Agent Memory in Interdependent Multi-Session Agentic Tasks [55.145729491377374]
  メモリを持つエージェントの既存の評価は、通常、単独で記憶と行動を評価する。 マルチセッションメモリ-エージェント環境ループにおけるエージェントメモリのベンチマークのための統合評価ジムであるMemoryArenaを紹介する。 MemoryArenaは、Webナビゲーション、優先制約付き計画、プログレッシブ情報検索、シーケンシャルなフォーマルな推論を含む評価をサポートする。
  論文  参考訳（メタデータ） (2026-02-18T09:49:14Z)
• The Algorithmic Self-Portrait: Deconstructing Memory in ChatGPT [17.579565226391146]
  実世界の80人のChatGPTユーザの2,050個のメモリエントリを分析した。 私たちのデータセットの96%のメモリは、会話システムによって一方的に生成されます。 大部分のメモリ(84%)は、ユーザコンテキストで直接ベースになっています。
  論文  参考訳（メタデータ） (2026-02-01T21:39:36Z)
• 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)
• PersonaMem-v2: Towards Personalized Intelligence via Learning Implicit User Personas and Agentic Memory [56.81126490418336]
  パーソナライゼーションは、AI能力とアライメントの進歩における次のマイルストーンの1つだ。 PersonaMem-v2は300以上のシナリオ、20,000以上のユーザの好み、128kのコンテキストウィンドウで、1,000の現実的なユーザ-チャットボットインタラクションをシミュレートする。 我々はQwen3-4BをトレーニングしてGPT-5を上回り、暗黙のパーソナライゼーションにおいて53%の精度を達成した。
  論文  参考訳（メタデータ） (2025-12-07T06:48:23Z)
• O-Mem: Omni Memory System for Personalized, Long Horizon, Self-Evolving Agents [60.1848551962911]
  O-Memはアクティブユーザプロファイリングに基づく新しいメモリフレームワークである。 O-Memはペルソナ属性とトピック関連コンテキストの階層的検索をサポートする。
  論文  参考訳（メタデータ） (2025-11-17T16:55:19Z)

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。