論文の概要: AMemOps: Evaluating Memory Updates in Long Audio Streams
- arxiv url: http://arxiv.org/abs/2610.18652v1
- Date: Tue, 13 Oct 2026 16:16:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.680798
- Title: AMemOps: Evaluating Memory Updates in Long Audio Streams
- Title（参考訳）: AMemOps: ロングオーディオストリームにおけるメモリ更新の評価
- Abstract要約: 本稿では,属性の最新の属性検索と保存のためのベンチマークであるAudio Memory Operations (AMemOps)を紹介する。
テスト機器の他の記録の訓練は、一致した注意点よりも基準デルタルールメモリの更新優位性を13.4ポイント向上させる。
120,sの検索遅延において、一致した履歴は以前の値と矛盾するコストから一貫した繰り返しの利点を区別し、加法記憶制御は消去の利点を識別した。
- 参考スコア（独自算出の注目度）: 24.673282314227595
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Audio memory must recognise recurring sources across acoustic changes while keeping their attributes up to date. Overall accuracy does not reveal how these demands interact. We introduce Audio Memory Operations (AMemOps), a benchmark for latest-attribute retrieval, preservation of unchanged attributes and absent-source rejection in long audio streams. Paired controls vary recordings, training identities and earlier events to examine their effects on updating. Training on other recordings of the test instruments increases a reference delta-rule memory's update advantage over matched attention by 13.4 percentage points. At retrieval delays of 120\,s, matched histories separate benefits of consistent repetition from costs of conflicting earlier values, while additive-memory controls identify benefits of erasure.
- Abstract（参考訳）: オーディオメモリは、属性を最新に保ちながら、アコースティックな変化を通して繰り返し発生するソースを認識する必要がある。
全体的な精度は、これらの要求がどのように相互作用するかを明らかにしない。
本稿では,Audio Memory Operations (AMemOps)を紹介した。
ペアリングコントロールは、記録、トレーニングID、以前のイベントを変更して、更新に対する影響を調べる。
テスト機器の他の記録の訓練は、一致した注意点よりも基準デルタルールメモリの更新優位性を13.4ポイント向上させる。
120\,sの検索遅延において、一致した履歴は以前の値と矛盾するコストから一貫した繰り返しの利点を区別し、加法記憶制御は消去の利点を識別した。
関連論文リスト
- PERSIST: Who-What-When Memory Across Sessions for Full-Duplex Spoken Dialogue [9.3254565209625]
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。
論文 参考訳（メタデータ） (2026-10-06T04:21:11Z) - UTILMEM: Benchmarking Evidence Utilization in Long-Term Conversational Memory [32.625416782173204]
メモリ使用率を評価するための診断ベンチマークであるUtilMemを紹介する。
従来のファクトメモリベンチマークの強い性能は、有効メモリ利用に確実に変換されないことが判明した。
これらの知見は,記憶されている情報へのアクセスと有効利用との間に大きなギャップを生じさせ,長期の会話記憶の進歩には,検索妨害に対する証拠統合と堅牢性を明確に支援するアーキテクチャが必要であることを示唆している。
論文 参考訳（メタデータ） (2026-08-31T09:41:26Z) - MemOps: Benchmarking Lifecycle Memory Operations in Long-Horizon Conversations [50.24315431387575]
ライフサイクル操作のシーケンスとして会話メモリを再構成するベンチマークであるMemOpsを紹介する。
MemOpsは、それぞれのメモリイベントをトリガ、ターゲット、スコープ、状態遷移、エビデンスを指定した構造化トレースで表現する。
長いコンテキスト、検索ベース、パラメトリック、マネージドメモリシステムにわたって、MemOpsはファイナ・アンサーの精度のみを隠蔽する障害モードをアンタングルする。
論文 参考訳（メタデータ） (2026-07-14T15:33:44Z) - 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) - SubtleMemory: A Benchmark for Fine-Grained Relational Memory Discrimination in Long-Horizon AI Agents [38.778004697710855]
本稿では,長期にわたるAIエージェントにおける微粒なリレーショナルメモリ識別のためのベンチマークであるSubtleMemoryを紹介する。
我々は,6つのスタンドアロンメモリシステム,ネイティブメモリモジュールを持つ2つのClawスタイルエージェント,プラグインメモリモジュールを持つ3つのClawスタイルエージェントを評価した。
論文 参考訳（メタデータ） (2026-06-04T06:43:11Z) - 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) - 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) - 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) - STELLA: Continual Audio-Video Pre-training with Spatio-Temporal Localized Alignment [61.83340833859382]
様々な音声・ビデオの意味を時間とともに継続的に学習することは、音声関連推論タスクに不可欠である。
これは非時間的問題であり、オーディオとビデオのペア間のスパース時間相関と、オーディオとビデオの関係を忘れるマルチモーダル相関オーバーライトという2つの重要な課題を提起する。
本稿では,2つの新しいアイデアを取り入れた連続的なオーディオビデオ事前学習手法を提案する。
論文 参考訳（メタデータ） (2023-10-12T10:50:21Z)
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。