論文の概要: Learning What to Recall: Adaptive Multi-Cue Episodic Memory for World Models

• arxiv url: http://arxiv.org/abs/2609.34677v1
• Date: Mon, 28 Sep 2026 09:07:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 11:22:32.959615
• Title: Learning What to Recall: Adaptive Multi-Cue Episodic Memory for World Models
• Title（参考訳）: 呼び方を学ぶ:世界モデルのための適応型マルチキューエピソードメモリ
• Abstract要約: 本稿では,将来認識型予測監視からエピソードリコールを学習するフレームワークであるFuture-Aware Recall (FAR)を提案する。 FARは、リコールされたコンテキストの条件付きログ類似度による予測ユーティリティを計測する。 キュー固有の関連性を学び、時間、ポーズ、ビジョン、オーディオなどの利用可能な検索キューを自動的に決定し、クエリ毎に信頼する。
• 参考スコア（独自算出の注目度）: 82.99807299727796
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World models predict future observations from current experience and actions, yet prediction can depend on observations seen far in the past. Episodic memory preserves past observations for later recall; however, as memory accumulates, it raises a fundamental question: which memories are useful for the current prediction, and which available retrieval cues should be trusted to find them? This is challenging because fixed criteria based on recency, pose overlap, or visual similarity can be unreliable across environments and queries. We propose Future-Aware Recall (FAR), a framework that learns episodic recall from future-aware predictive supervision and adaptive multi-cue scoring. During training, FAR measures predictive utility by the conditional log-likelihood of the realized future given recalled context, approximated by negative diffusion prediction loss, and uses it to train a retriever that remains future-blind at inference. The retriever learns cue-specific relevance and automatically determines which available retrieval cues, such as time, pose, vision, and audio, to trust for each query when selecting memories. Across three complementary settings, FAR outperforms hand-designed recall even with the same retrieval cues, automatically adapts which available cues to trust, and recalls the right history as the world changes. Together, these results establish FAR as a flexible, principled approach to episodic memory access in world models.
• Abstract（参考訳）: 世界モデルは、現在の経験と行動から将来の観測を予測するが、予測は過去の観測に依存する可能性がある。 エピソード記憶は過去の観測を後回しに保存するが、記憶が蓄積するにつれて、どの記憶が現在の予測に役立つか、どの検索手段が信頼できるかという根本的な疑問が提起される。 正確性、ポーズの重複、視覚的類似性に基づく固定された基準は、環境やクエリ間で信頼性が低いため、これは難しい。 本稿では,FAR(Future-Aware Recall)を提案する。 トレーニング中、FARは、負の拡散予測損失によって近似された、現実に与えられたコンテキストの条件付きログライクな条件によって予測ユーティリティを測定し、推論時に将来の盲点を維持したレトリバーのトレーニングに使用する。 検索者はキュー固有の関連性を学び、時間、ポーズ、ビジョン、オーディオなどの利用可能な検索キューを自動的に決定し、記憶を選択する際に各クエリーを信頼する。 3つの補完的な設定の中で、FARは、同じ検索キューでも手書きのリコールを上回り、利用可能なキューを自動的に信頼に適応させ、世界が変わるにつれて適切な履歴をリコールする。 これらの結果は、世界モデルにおけるエピソードメモリアクセスに対するフレキシブルで原則化されたアプローチとしてFARを確立している。

関連論文リスト

• ForecastCompass: Guiding Agentic Forecasting with Adaptive Factor Memory [28.100237569490996]
  エージェント予測のための適応係数ベースのメモリフレームワークであるForecast(FoCo)を提案する。 FoCoは階層的な予測タスク分類で予測経験を整理し、タスク関連予測知識の検索を可能にする。 GPT-5-miniとGemini-2.5-Flashによる予言的アリーナとFutureXの実験では、FoCoは確率的精度とキャリブレーションの両方を改善している。
  論文  参考訳（メタデータ） (2026-05-29T05:30:17Z)
• Belief Memory: Agent Memory Under Partial Observability [56.41506249481312]
  本稿では,メモリパラダイムを観測毎に1つの結論にシフトし,その確率で複数の結論を導出するBeliefMemを提案する。 BeliefMemは決定論的パラダイムが破棄されるという不確実性を保ち、エージェントが高い信頼を持って行動することを可能にする。 LoCoMoとALFWorldベンチマークの実証的な評価は、限られたデータであっても、BeliefMemが最高の平均パフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2026-05-07T02:03:13Z)
• Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval [59.295767860331004]
  RF-Memは、親しみやすい不確実性誘導デュアルパスメモリレトリバーである。 それは、人間のようなデュアルプロセス認識をレトリバーに埋め込む。 一定の予算とレイテンシの制約の下で、ワンショット検索とフルコンテキスト推論を一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-10T06:31:44Z)
• Dream to Recall: Imagination-Guided Experience Retrieval for Memory-Persistent Vision-and-Language Navigation [8.14424628742372]
  VLN(Vision-and-Language Navigation)は、エージェントが環境を通じて自然言語の指示に従う必要がある。 既存のメモリ永続化VLNのアプローチには、限界がある。 本稿では,暗黙記憶に基づく検索機構として想像力を利用するMemoirを提案する。
  論文  参考訳（メタデータ） (2025-10-09T17:58:01Z)
• Memory-and-Anticipation Transformer for Online Action Understanding [52.24561192781971]
  本稿では,過去,現在,未来を含む時間構造全体をモデル化する,メモリ予測に基づく新しいパラダイムを提案する。 本稿では,メモリ・アンド・アンティフィケーション・トランスフォーマ(MAT)を提案する。
  論文  参考訳（メタデータ） (2023-08-15T17:34:54Z)
• Value-driven Hindsight Modelling [68.658900923595]
  値推定は強化学習(RL)パラダイムの重要な構成要素である。 モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。 この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。 これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
  論文  参考訳（メタデータ） (2020-02-19T18:10:20Z)

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。