論文の概要: DPPM: Dual-Path Parametric Memory for Personalized Language Models

• arxiv url: http://arxiv.org/abs/2610.11776v1
• Date: Thu, 08 Oct 2026 11:56:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.997166
• Title: DPPM: Dual-Path Parametric Memory for Personalized Language Models
• Title（参考訳）: DPPM:パーソナライズド言語モデルのためのデュアルパスパラメトリックメモリ
• Abstract要約: パラメトリックメモリは相互作用履歴をモデルパラメータやアダプタにエンコードする。 独立したコンテキストコンパイルでは、クロスセッション統合は未定のままである。 これらの課題に対処するため、Dual-Path Parametric Memory (DPPM)を提案する。
• 参考スコア（独自算出の注目度）: 19.117999035439965
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-term personalization requires language models to use interaction history to track users' preferences across sessions. Parametric memory encodes this interaction history into model parameters or adapters, reducing the need to include it in the inference context. However, independent context compilation leaves cross-session integration unspecified, while recurrent updates can attenuate earlier evidence. To address these challenges, we propose Dual-Path Parametric Memory (DPPM). Its Evidence path directly pools representations of the interaction history to preserve earlier evidence, while its Delta path sequentially updates an associative state to capture changes. Fusing both outputs produces history-conditioned LoRA adapters that combine evidence accumulation with ordered revision. Across multiple backbones, DPPM outperforms the evaluated baselines, achieving 54.22% on PersonaMem-v2 and 86.79% on PrefEval. These results suggest that DPPM provides a simple and effective design choice for cross-session personalized parametric memory.
• Abstract（参考訳）: 長期的なパーソナライズには、セッション間のユーザの好みを追跡するために、インタラクション履歴を使用する言語モデルが必要である。 パラメトリックメモリはこのインタラクション履歴をモデルパラメータやアダプタにエンコードし、推論コンテキストに組み込む必要がなくなる。 しかし、独立したコンテキストコンパイルでは、クロスセッション統合は未特定のままであり、更新の繰り返しは以前の証拠を弱める可能性がある。 これらの課題に対処するため、我々はDual-Path Parametric Memory (DPPM)を提案する。 そのエビデンスパスは、以前の証拠を保存するために相互作用履歴の表現を直接プールし、デルタパスは、変化を捉えるために連想状態を逐次更新する。 両方の出力を融合すると、エビデンス蓄積と順序付きリビジョンを組み合わせた履歴条件のLoRAアダプタが生成される。 複数のバックボーンでDPPMは評価ベースラインを上回り、PersonaMem-v2では54.22%、PrefEvalでは86.79%を達成している。 これらの結果から,DPPMはクロスセッションパーソナライズされたパラメトリックメモリに対して,シンプルかつ効果的な設計選択を提供する可能性が示唆された。

関連論文リスト

• RPMem: Learning Long-Term Recurrent Parametric Memory Across Sessions for LLM Agents [8.24616125117741]
  長時間実行されるLLMエージェントは、セッション間で持続し、進化するメモリを必要とする。 既存のアプローチは、クロスセッションメモリの進化を限定的にサポートする。 RPMemは、各セッションをモデルに依存しない潜在メモリにコンパイルする2段階アーキテクチャである。
  論文  参考訳（メタデータ） (2026-09-20T08:51:10Z)
• Latent Preference Modeling for Cross-Session Personalized Tool Calling [9.4096596518028]
  MPTは265のマルチセッション対話からなるベンチマークで、優先度リコール、優先度誘導、優先度伝達の3つの課題をカバーしている。 また、ユーザの好みを進化する仮説として表現するテスト時間メモリ拡張手法であるPRefineを提案する。 これらの結果から,エージェントシステムにおけるロバストなパーソナライゼーションは,選択自体だけでなく,ユーザの選択の背景にある理由を捉えるメモリに依存することが示唆された。
  論文  参考訳（メタデータ） (2026-04-20T06:57:50Z)
• 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)
• Agentic Unlearning: When LLM Agent Meets Machine Unlearning [45.60284810359578]
  パラメータとメモリ経路をまたいだ共同学習フレームワークであるSingchronized Backflow Unlearning(SBU)を提案する。 SBUは、保持されたデータに対する限定的な劣化を伴う、両方の経路にまたがる標的となるプライベート情報のトレースを削減する。
  論文  参考訳（メタデータ） (2026-02-06T07:13:13Z)
• Beyond Dialogue Time: Temporal Semantic Memory for Personalized LLM Agents [68.84161689205779]
  テンポラルセマンティックメモリ(TSM)は、ポイントワイドメモリのセマンティックタイムをモデル化するメモリフレームワークである。 TSMは既存の手法を一貫して上回り、最大12.2%の精度向上を実現している。
  論文  参考訳（メタデータ） (2026-01-12T12:24:44Z)
• Bridging and Modeling Correlations in Pairwise Data for Direct Preference Optimization [75.1240295759264]
  本稿では,BMC という名前のペアデータにおけるブリッジ・アンド・モデリングの効果的なフレームワークを提案する。 目的の修正によって、ペアの選好信号の一貫性と情報性が向上する。 DPOだけではこれらの相関をモデル化し、ニュアンス付き変動を捉えるには不十分である。
  論文  参考訳（メタデータ） (2024-08-14T11:29:47Z)
• Recent Developments Combining Ensemble Smoother and Deep Generative Networks for Facies History Matching [58.720142291102135]
  本研究は、ファシズムモデルのための連続パラメータ化を構築するためのオートエンコーダネットワークの利用に焦点を当てる。 本稿では,VAE,GAN,Wasserstein GAN,変分自動符号化GAN,サイクルGANの主成分分析(PCA),転送スタイルネットワークのPCA,スタイル損失のVAEの7種類の定式化をベンチマークする。
  論文  参考訳（メタデータ） (2020-05-08T21:32:42Z)

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。