論文の概要: PERSIST: Who-What-When Memory Across Sessions for Full-Duplex Spoken Dialogue

• arxiv url: http://arxiv.org/abs/2610.07725v1
• Date: Tue, 06 Oct 2026 04:21:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.797975
• Title: PERSIST: Who-What-When Memory Across Sessions for Full-Duplex Spoken Dialogue
• Title（参考訳）: PERSIST:全二重音声対話のためのセッション間の時間記憶
• Abstract要約: PerSISTはマルチセッション多話者音声対話のための永続記憶システムである。 PerSIST構造は、セッション履歴を読み取り可能なイベントレコードに分割し、3Wのジョイントスコアリング機構でそれらを検索する。
• 参考スコア（独自算出の注目度）: 9.3254565209625
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern voice assistants may be shared by multiple users and should be able to answer questions about earlier conversations such as "When did I originally plan to leave?" or adapt their behavior to individual users based on past interactions. This requires more than retrieving a topically similar passage: the assistant must identify the current speaker, recover the relevant past state, and distinguish it from later revisions. We present PERSIST, a persistent memory system for multi-session, multi-speaker spoken dialogue that explicitly models Who, What, and When. PERSIST structures cross-session histories into readable event records and retrieves them with a 3W joint scoring mechanism that combines semantic content, acoustic speaker identity, and temporal state. For real-time full-duplex interaction, PERSIST further reuses intermediate representations from the dialogue backbone, avoiding query-audio re-encoding and reducing retrieval latency from 578.42 ms to 7.03 ms. We also introduce SpokenTrace, a diagnostic benchmark that factorizes evaluation along memory tasks and speaker-query types, exposing failures in recall, speaker attribution, and temporal-state tracking. On SpokenTrace, PERSIST achieves 85.08% end-to-end task accuracy and improves all-support EM@3 from 49.01% with BGE-large to 82.10%.
• Abstract（参考訳）: 現代の音声アシスタントは複数のユーザによって共有され、"いつ出発する予定だったか? アシスタントは現在の話者を特定し、関連する過去の状態を回復し、後のリビジョンと区別しなければならない。 本稿では,多セッション多話者対話のための永続記憶システムPERSISTについて述べる。 PERSISTは、クロスセッション履歴を読み取り可能なイベントレコードに構造化し、セマンティックコンテンツ、音響話者のアイデンティティ、時間状態を組み合わせた3Wジョイントスコアリングメカニズムでそれらを検索する。 リアルタイムのフルダブルインタラクションのために、PERSISTはさらに対話バックボーンからの中間表現を再利用し、クエリオーディオの再エンコーディングを回避し、検索遅延を578.42msから7.03msに削減する。また、メモリタスクや話者クエリタイプに沿って評価を分解する診断ベンチマークであるSpkenTraceを導入し、リコール時の障害の防止、話者属性、時間状態追跡を行う。 SpokenTraceでは、PERSISTは85.08%のエンドツーエンドタスク精度を獲得し、全サポートのEM@3を49.01%から82.10%に改善している。

関連論文リスト

• SpeakerMem-R1: Speaker-Centered Dual-Track Memory for Multi-Party Dialogue [30.06285587936361]
  SpeakerMem-R1は、メッセージと状態を個人レベルのビューとグループレベルのビューに整理したデュアルトラックメモリである。 SpeakerMem-R1は、それぞれ47.9%、69.2%、61.9%のバイナリアキュラシーを達成している。 また、1,986のLoCoMo質問に対して70.85%を達成し、2対1の会話境界テストとして使用しています。
  論文  参考訳（メタデータ） (2026-09-22T17:56:12Z)
• QUMem: Personalized Memory for Query-Conditioned User-State Inference in LLM Agents [24.465097221083777]
  textscQUMemは、クエリ条件付きユーザ状態推論のための構造化メモリフレームワークである。 textscQUMemはPersonaMemとKnowU-Benchの両方で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-08-17T06:34:24Z)
• MINTEval: Evaluating Memory under Multi-Target Interference in Long-Horizon Agent Systems [69.06764269022925]
  本研究では,現在の記憶増強剤が現実的,干渉重大,長期的設定において果たす役割について検討する。 MINTEvalは、頻繁に更新される情報を備えた、長く高度に相互接続されたコンテキストを特徴とするベンチマークである。 MINTEvalは128.8kのトークンを平均で1インスタンスあたり1.8Mのトークンに拡張し、15.6kの質問応答ペアを持つ。
  論文  参考訳（メタデータ） (2026-05-18T15:43:35Z)
• APEX-MEM: Agentic Semi-Structured Memory with Temporal Reasoning for Long-Term Conversational AI [8.933188286750795]
  APEX-MEMは3つの重要なイノベーションを組み合わせた対話型メモリシステムである。 プロパティグラフは、エンティティ中心のフレームワークで時間的に基盤付けられたイベントとして会話を構成する。 検索エージェントは、クエリ時に競合や進化する情報を理解し、解決し、コンパクトでコンテキストに関連のあるメモリサマリを生成する。
  論文  参考訳（メタデータ） (2026-04-15T19:25:02Z)
• 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)
• Memory-T1: Reinforcement Learning for Temporal Reasoning in Multi-session Agents [80.33280979339123]
  強化学習(RL)を用いた時間認識メモリ選択ポリシーを学習するフレームワークであるMemory-T1を紹介する。 Time-Dialogベンチマークでは、Memory-T1が7Bモデルを67.0%に引き上げ、オープンソースモデルの新たな最先端パフォーマンスを確立した。
  論文  参考訳（メタデータ） (2025-12-23T06:37:29Z)
• A Cocktail-Party Benchmark: Multi-Modal dataset and Comparative Evaluation Results [62.01871490859886]
  第9回CHiMEチャレンジにおいて,マルチモーダルコンテキスト認識(MCoRec)の課題を紹介した。 MCoRecは、録音が説明のない、カジュアルなグループチャットに集中する、自然なマルチパーティの会話をキャプチャする。 このタスクでは、各話者のスピーチを共同で翻訳し、音声・視覚録音から各話者の会話にまとめることにより、「誰がいつ、何、誰と話をするのか?」という質問に答えるシステムが必要である。
  論文  参考訳（メタデータ） (2025-10-27T12:36:43Z)
• Active Speakers in Context [88.22935329360618]
  能動話者検出のための現在の手法は、単一話者からの短期音声視覚情報をモデル化することに焦点を当てている。 本稿では,複数話者間の関係を長期にわたってモデル化する新しい表現であるActive Speaker Contextを紹介する。 実験の結果,構造的特徴アンサンブルはすでにアクティブな話者検出性能の恩恵を受けていることがわかった。
  論文  参考訳（メタデータ） (2020-05-20T01:14:23Z)

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。