論文の概要: AMU:Admission and Memory Update for Personalized Conversations---Structured Memory with SLM Guided Control
- arxiv url: http://arxiv.org/abs/2609.36976v1
- Date: Tue, 29 Sep 2026 08:12:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.313596
- Title: AMU:Admission and Memory Update for Personalized Conversations---Structured Memory with SLM Guided Control
- Title（参考訳）: AMU:パーソナライズされた会話に対する入力とメモリ更新--SLM誘導制御による構造化メモリ
- Abstract要約: 本稿では,書込み時間メモリ制御のためのSLM誘導フレームワークであるPersonalized Conversationsに対するAMU: Admission and Memory Updateを提案する。
AMUは構造化メモリフィルタリングを使用して、メモリに何を入れるべきかを判断し、SLM誘導ストレージ管理を使用して、許可されたレコードを別々に保存するか、重複として破棄するか、更新として融合するかを決定する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) have become the foundation of personalized assistants, but maintaining persistent user memory across long-term interactions remains challenging. Existing memory systems often focus on storage, retrieval, or consolidation, while memory writing remains less controlled: transient requests, duplicate statements, and outdated user states may enter memory and later be retrieved for personalization. In this paper, we present AMU: Admission and Memory Update for Personalized Conversations, an SLM-guided (Small language model guided) structured framework for writing-time memory control. AMU uses structured memory filtering to decide what should enter memory and SLM-guided storage management to determine whether an admitted record should be stored separately, discarded as a duplicate, or fused as an update. We evaluate AMU in a controlled memory writing and retrieval setting. Experimental results show that AMU maintains cleaner and more retrievable personalized memories.
- Abstract（参考訳）: 大規模言語モデル(LLM)はパーソナライズされたアシスタントの基盤となっているが、長期的なインタラクションを通じて永続的なユーザメモリを維持することは依然として困難である。
既存のメモリシステムはストレージ、検索、統合に重点を置いていることが多いが、メモリ書き込みは制御されていない。
本稿では, AMU: Admission and Memory Update for Personalized Conversations, a SLM-guided (Small Language model guided) structured framework for write-time memory controlを提案する。
AMUは構造化メモリフィルタリングを使用して、メモリに何を入れるべきかを判断し、SLM誘導ストレージ管理を使用して、許可されたレコードを別々に保存するか、重複として破棄するか、更新として融合するかを決定する。
我々はAMUを制御されたメモリ書き込みと検索設定で評価する。
実験の結果,AMUはよりクリーンで検索可能なパーソナライズされた記憶を維持していることがわかった。
関連論文リスト
- From Passive Retrieval to Active Memory Navigation: Learning to Use Memory as a Structured Action Space [27.456426188493094]
NapMemは、ユーザ履歴をリンクされた多粒度メモリピラミッドにまとめる。
エージェントはクエリと中間的なエビデンスに従ってメモリを選択するように訓練される。
論文 参考訳（メタデータ） (2026-07-07T03:47:12Z) - Infini Memory: Maintainable Topic Documents for Long-Term LLM Agent Memory [19.802226925602927]
長期的なLLMエージェントは、変化する事実を追跡し、セッション間で関連する証拠を提供する、永続的なメモリを必要とする。
Infini Memoryは、エージェントメモリをトピック構造化文書として扱う、保守可能なテキストベースの永続メモリアーキテクチャである。
論文 参考訳（メタデータ） (2026-06-09T10:31:51Z) - Personalize-then-Store: Benchmarking and Learning Personalized Memory for Long-horizon Agents [20.22872890297194]
既存の大規模言語モデル(LLM)ベースのメモリシステムは、基本的な現実を覆い隠す、普遍的で静的なポリシーを適用している。
パーソナライズされたメモリシステムを評価するための最初のベンチマークであるPerMemBenchを紹介する。
本稿では,過渡セッションのメモリ操作を選択的にバイパスする軽量フレームワークであるセッションレベルのストレージゲーティングを提案する。
論文 参考訳（メタデータ） (2026-05-25T07:48:33Z) - MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。
MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
論文 参考訳（メタデータ） (2026-03-19T10:15:59Z) - Multiple Memory Systems for Enhancing the Long-term Memory of Agent [9.43633399280987]
MemoryBankやA-MEMといった既存の手法は、記憶されているメモリの質が劣っている。
我々は認知心理学理論にインスパイアされた多重記憶システムを設計した。
論文 参考訳（メタデータ） (2025-08-21T06:29:42Z) - MemOS: A Memory OS for AI System [116.87568350346537]
大規模言語モデル(LLM)は、人工知能(AGI)にとって不可欠な基盤となっている。
既存のモデルは、主に静的パラメータと短命なコンテキスト状態に依存しており、ユーザの好みを追跡したり、長い期間にわたって知識を更新する能力を制限する。
MemOSはメモリを管理可能なシステムリソースとして扱うメモリオペレーティングシステムである。
論文 参考訳（メタデータ） (2025-07-04T17:21:46Z) - SCM: Enhancing Large Language Model with Self-Controlled Memory Framework [54.33686574304374]
大きな言語モデル(LLM)は、長い入力を処理できないため、重要な歴史的情報が失われる。
本稿では,LLMが長期記憶を維持し,関連する情報をリコールする能力を高めるための自己制御メモリ(SCM)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-26T07:25:31Z)
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。