論文の概要: MemoProAgent: Toward Memory-Driven Proactive Assistance
- arxiv url: http://arxiv.org/abs/2610.22671v2
- Date: Wed, 21 Oct 2026 05:59:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:05.963024
- Title: MemoProAgent: Toward Memory-Driven Proactive Assistance
- Title（参考訳）: MemoProAgent: メモリ駆動型アクティブアシストを目指して
- Abstract要約: MemoProBenchは、メモリ駆動型プロアクティブアシストのベンチマークである。
それは、エゴセントリックなビデオと、年長で気を散らすようなユーザー記憶を合わせたものだ。
トレーニングなしでは、MemoProAgentはQwen3.8-27Bで10%未満から37.5%、GPT-5.3-Chatで38%まで厳格な精度を上げた。
- 参考スコア（独自算出の注目度）: 62.65924263961032
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As assistants move from reactive answering toward proactive intervention, memory changes role: it no longer only supplies the answer to a query, it determines whether and when to speak at all. Prior work in this setting hands the system the relevant fact in context; we study the regime that makes the problem hard, where the evidence justifying an intervention must be mined from a long-horizon personal memory. We introduce MemoProBench, a benchmark for memory-driven proactive assistance (MPA), pairing egocentric video with year-long, distractor-rich user memories (~618K tokens on average), human-verified trigger windows, and a protocol that scores content and timing jointly. Every baseline we evaluate performs poorly (at most 15%), including frontier models given summarized or retrieval-augmented memory. A controlled study explains why: with oracle evidence delivered inside the trigger window GPT-5.3-Chat reaches 96%; letting it choose the timing drops it to 38%, and replacing oracle evidence with retrieval drops it to 15%. Content and timing are separately necessary, and missing either is catastrophic. Guided by this, we build MemoProAgent with a plug-and-play harness that surfaces memory from a graph-organized store and gates it down to what is worth interrupting for, plus a lightweight RL stage that curbs early and repeated firing. Without any training, MemoProAgent lifts strict accuracy from below 10% to 37.5% on Qwen3.8-27B and 38% on GPT-5.3-Chat; RL post-training reaches 42.4%.
- Abstract（参考訳）: アシスタントがリアクティブな回答から積極的な介入、メモリ変更の役割へと移行するにつれ、クエリに対する応答がもはや供給されるだけでなく、いつ話すべきかが決定される。
この設定における以前の作業は、システムに関連した事実を文脈で伝え、問題を難しくする体制を研究し、介入を正当化する証拠は、長期にわたる個人的な記憶から掘り起こさなければならない。
本稿では,メモリ駆動型プロアクティブ・アシスト(MPA)のベンチマークであるMemoProBenchを紹介する。
評価したベースラインはすべて、要約または検索強化メモリを含むフロンティアモデルを含む、低パフォーマンス(ほとんどの15%)です。
GPT-5.3-Chatのトリガーウィンドウ内のオラクルの証拠は96%に達し、タイミングが38%に低下し、オラクルの証拠を検索で置き換えると15%に低下する。
内容とタイミングは別々に必要であり、どちらも破滅的なものである。
このガイドでガイドされたMemoProAgentは、グラフ化されたストアからメモリをサーフェスし、割り込みに値する場所にゲートするプラグイン・アンド・プレイのハーネスと、早期かつ反復的な発射を抑える軽量なRLステージで構築されます。
トレーニングなしでは、MemoProAgentはQwen3.8-27Bで10%未満から37.5%、GPT-5.3-Chatで38%まで厳格な精度を上げた。
関連論文リスト
- An Agentic Framework for Proactive Robots with Procedural Assistance Memory [48.782732807971264]
アクティブなロボットはユーザーのニーズを予測し、明示的に尋ねられる前に支援を提供するべきである。
実世界の日常的なルーチンは繰り返しパターンを示すので、これらのパターンを学習することで、前向きな決定のあいまいさを減らすことができる。
本稿では、VLMタスク予測器が現在の観察と並行して手続き支援メモリ(PAM)を読み取って、いつ、いつ、どのタスクを実行するかを判断し、VLAエグゼキュータが予測タスクを実行するメモリベースのエージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2026-10-15T04:04:49Z) - AgentMemGate: Addressing Speculation Contamination in Conversational Assistant Memory [2.064612766965483]
長期記憶を持つ会話型AIアシスタントは、ユーザメッセージから事実を抽出し、後続の会話で相談されたストアに格納する。
最終状態メモリベンチマークでは、中間状態を探索せず、未解決の推測をほとんど含まないため、このエラーを見逃す。
我々は、プロファイルストアメモリ用の書き込み時ゲートであるAgentMemGateを紹介し、抽出されたステートメントを推測、完了したイベント、修正などとして分類する。
論文 参考訳（メタデータ） (2026-10-06T03:59:41Z) - Learning to Retrieve Missing Evidence for Long-Term Memory QA [15.24197510345149]
我々は,世界規模で検索可能なメモリを疑問固有なエビデンス状態から分離するMERA(Missing-Evidence Retrieval Augmentation)を導入する。
我々は、強化学習を通じて軽量プランナーを訓練し、欠落した証拠を回収するクエリに報いる。
Qwen3-30Bのエビデンス処理と回答生成で、訓練された0.6BプランナーはLoCoMoで77.40%、LongMemEval-Sで71.29%の精度を達成した。
論文 参考訳（メタデータ） (2026-09-29T13:02:16Z) - AWM: Answerable Working Memory for Long-Document VQA Agents [57.741922050360074]
ワーキングメモリは、後に根拠づけられた回答のために、ページ検査全体にわたって回答を支持するエビデンスを実行するべきである。
本稿では,読取者が質問に答えられるか,端末の作業メモリだけで答えられるか,という診断手法である,メモリオンリーの回答可能性について紹介する。
AWM-GRPOは、テキストscMMLongBench-DocとtextscLongDocURLでRAGベースラインに対する最終回答精度を8.1および1.9ポイント改善し、応答のみのGRPOよりもメモリ損失補正率を2.7ポイント削減する。
論文 参考訳（メタデータ） (2026-08-26T10:35:25Z) - Voice Memory for Agentic Speech Recognition [66.69623133635868]
エージェント音声認識のための推論専用スキームであるVoice Memoryを提案する。
同期的に、スコア付き例は、境界編集を通じてそのファイルを更新する。
10のHyPoradiseドメインにオープン修正器、Voice Memory、重み付き単語エラー率8.36%から7.52%の10のドメインがある。
論文 参考訳（メタデータ） (2026-07-29T02:42:56Z) - Supersede: Diagnosing and Training the Memory-Update Gap in LLM Agents [0.0]
大規模言語モデル(LLM)エージェントは、事実が変化する長い多セッションの相互作用で機能する。
正しく行動するためには、事実の現在の値を使用し、置き換えられた値を捨てる必要がある。
この測定結果をトレーニング信号に変換するオープンな強化学習環境であるSupersedeをリリースする。
論文 参考訳（メタデータ） (2026-06-25T18:50:32Z) - AdaMem: Learning What to Remember for Personalized Long-Horizon LLM Agents [79.03892269184145]
我々は、記憶に値するものはロール依存であり、 textbfAdaMem (Adaptive Memory)を提案する。
AdaMemは、メモリ容量をtextbf9%削減しながら、均一なMem0ベースライン上で textbf+9.0% まで精度を向上する。
論文 参考訳（メタデータ） (2026-06-19T06:35:52Z) - EviMem: Evidence-Gap-Driven Iterative Retrieval for Long-Term Conversational Memory [19.027571478872]
IRIS(Iterative Retrieval via Insufficiency Signals)とLaceMem(Layered Architecture for Conversational Evidence Memory)を組み合わせたEviMemを提案する。
LoCoMoでは、EviMemは、時間(73.3%から81.6%)とマルチホップ(65.9%から85.2%)の質問を4.5倍のレイテンシでMIRIXよりも精度を向上させる。
論文 参考訳（メタデータ） (2026-04-30T10:37:04Z) - Knowledge Access Beats Model Size: Memory Augmented Routing for Persistent AI Agents [9.457255218406333]
プロダクションAIエージェントは、非常に反復的なユーザ固有のクエリを頻繁に受信する。
この冗長性は会話記憶によって利用でき、コスト負担から効率上の利点へと繰り返し変換される。
論文 参考訳（メタデータ） (2026-03-24T09:55:11Z) - PersonaMem-v2: Towards Personalized Intelligence via Learning Implicit User Personas and Agentic Memory [56.81126490418336]
パーソナライゼーションは、AI能力とアライメントの進歩における次のマイルストーンの1つだ。
PersonaMem-v2は300以上のシナリオ、20,000以上のユーザの好み、128kのコンテキストウィンドウで、1,000の現実的なユーザ-チャットボットインタラクションをシミュレートする。
我々はQwen3-4BをトレーニングしてGPT-5を上回り、暗黙のパーソナライゼーションにおいて53%の精度を達成した。
論文 参考訳（メタデータ） (2025-12-07T06:48:23Z)
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。