論文の概要: LVMH: A Meta-Optimization Harness for Long-Video Agent Memory
- arxiv url: http://arxiv.org/abs/2610.23904v1
- Date: Tue, 29 Sep 2026 20:29:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:39:38.403319
- Title: LVMH: A Meta-Optimization Harness for Long-Video Agent Memory
- Title（参考訳）: LVMH:ロングビデオエージェントメモリのためのメタ最適化ハーネス
- Abstract要約: 長ビデオエージェントは、トークンとレイテンシの予算を尊重しながら、何時間か何日かのマルチモーダルエビデンスを境界づけられたコンテキストにマッピングしなければならない。
本稿では,Long Video Meta-Memory Harness (LVMH)を提案する。
LVMHは、自己証明と開発セットのオーバーフィッティングを防ぐために、実装を独立したレビューから分離し、保護された観察境界を強制する。
- 参考スコア（独自算出の注目度）: 48.731309531176045
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-video agents must map hours or days of multimodal evidence into a bounded context while respecting token and latency budgets, making memory design a context-management challenge. Existing memory systems largely rely on hand-designed policies, leaving open how to jointly optimize memory design for performance and efficiency. We propose Long Video Meta-memory Harness (LVMH), an automated multi-agent framework that formulates memory-policy development as multi-objective code search around a fixed answer model. To guard against self-certification and development-set overfitting, LVMH separates implementation from independent review and enforces protected observation boundaries. Persistent meta-memory records past proposals, traces, costs, and failures to guide subsequent policy revisions. Through this harness, we discover Self-Evolving Evidence Memory (SEEM), a "text-first, vision-second" policy that answers from compact structured event memory and evidence specialists, consulting localized frames through a selective visual gate. The policy evolved on EgoLifeQA generalizes to unseen benchmarks, outperforming Meta-Harness on both Ego-R1 Bench and Video-MME (L) with GPT-5 mini. Across the three benchmarks, SEEM with GPT-5 achieves 65.7% average accuracy, surpassing the previous state of the art by 7.7 percentage points with approximately 32x lower average evaluation token use and 91x shorter average response time.
- Abstract（参考訳）: 長時間のビデオエージェントは、トークンとレイテンシの予算を尊重しながら、何時間、何日かのマルチモーダルエビデンスを境界づけられたコンテキストにマッピングし、メモリ設計をコンテキスト管理の課題にする。
既存のメモリシステムは手書きのポリシーに大きく依存しており、パフォーマンスと効率のために共同でメモリ設計を最適化する方法が開かれたままである。
本稿では,Long Video Meta-Memory Harness (LVMH)を提案する。
LVMHは、自己証明と開発セットのオーバーフィッティングを防ぐために、実装を独立したレビューから分離し、保護された観察境界を強制する。
永続的なメタメモリ記録は、その後のポリシー修正を導くための提案、トレース、コスト、失敗を過去のものである。
このハーネスを通じて、コンパクトな構造化イベントメモリとエビデンススペシャリストから答える「テキストファースト、ビジョン秒」ポリシーであるSelf-Evolving Evidence Memory(SEEM)を発見し、選択された視覚ゲートを介して局所的なフレームを照会する。
このポリシーはEgoLifeQAで一般化され、GPT-5 miniでEgo-R1 BenchとVideo-MME(L)の両方でMeta-Harnessを上回った。
3つのベンチマークで、SEEM with GPT-5は65.7%の平均精度を達成し、従来の最先端の7.7ポイントを上回り、平均評価トークンの使用率は約32倍、平均応答時間は91倍である。
関連論文リスト
- Write Once, Query Many: Evolving Compact Reusable Memory for Long Videos [31.377502209747714]
Video-EMemは、タイムアンコールされた知覚観察に基づいて構築された、進化可能なビデオメモリハーネスである。
Writerは、マルチスケールな観察を統合することで、各ビデオを一度エンコードし、Readerは、結果のメモリからのみ証拠を検索する。
論文 参考訳（メタデータ） (2026-10-17T07:58:29Z) - Where Memory Belongs: Ledger, an Object Ledger for Memory-Augmented VLAs [4.625296998318167]
記憶は部分的に観察されたロボット操作に不可欠である。
最近のビジョン・アクション・スーツ・モデルは、ポリシーに直接メモリを組み込むが、単一の政治メカニズムは示さない。
我々は、単一のきめ細かいポリシーの分割を実現するハーネスであるLedgerを提示する。
論文 参考訳（メタデータ） (2026-09-28T08:12:37Z) - FinPerMA: A Theory-Informed, Event-Grounded Personalized-Memory Benchmark for LLM Agents [9.305912044747368]
FinPerMAは、凍結した縦方向の投資家軌跡に対してパーソナライズされたメモリを評価する、イベントグラウンドのベンチマークである。
完全コンテキスト構成は、全体的な精度が約0.47以上、複数選択の質問では約39%を超えない。
属性分析により、要約ベースのメモリは、パーソナライズに必要な選好信号を失いながら、事実の詳細を保存していることが示された。
論文 参考訳（メタデータ） (2026-08-04T18:00:04Z) - Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。
メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。
MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
論文 参考訳（メタデータ） (2026-07-15T08:32:40Z) - Scaling Short-Term Memory of Visuomotor Policies for Long-Horizon Tasks [69.19366746169906]
本稿では,短期記憶を利用するビジュモータポリシーのためのトランスフォーマーベースのアーキテクチャであるPRISMを提案する。
海賊フィルタは情報を取得し、関連する詳細を抑え、性能を向上する。
階層アーキテクチャは、ローカル情報をコンパクトなトークンに圧縮し、計算とメモリフットプリントを改善する。
論文 参考訳（メタデータ） (2026-06-15T03:49:23Z) - EgoMemReason: A Memory-Driven Reasoning Benchmark for Long-Horizon Egocentric Video Understanding [89.26501160264199]
EgoMemReasonは、メモリ駆動推論を通じて、1週間のエゴセントリックなビデオ理解を体系的に評価する。
EgoMemReasonには3つのメモリタイプと6つのコア課題に関する500の質問が含まれている。
EgoMemReasonをMLLMとエージェントフレームワークにまたがる17の手法で評価する。
論文 参考訳（メタデータ） (2026-05-11T01:59:59Z) - D-Mem: A Dual-Process Memory System for LLM Agents [3.5426740232689604]
本稿では,デュアルプロセスメモリシステムD-Memを紹介する。
ルーチンクエリに対する軽量なベクトル検索を維持しながら、フルリベレーションモジュールを高忠実度フォールバックとして確立している。
GPT-4o-miniとQwen3-235B-Instructを用いたLoCoMoとRealTalkのベンチマーク実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2026-03-19T08:55:22Z) - Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。
既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。
本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
論文 参考訳（メタデータ） (2026-01-05T08:24:16Z) - GCAgent: Long-Video Understanding via Schematic and Narrative Episodic Memory [59.869552603264076]
GCAgent(Global-Context-Aware Agent)は,広義の長ビデオ理解を実現する新しいフレームワークである。
これは、イベントとその因果関係と時間的関係を、簡潔で組織化されたコンテキストに構造的にモデル化するものです。
実験により、GCAgentは、強力なMLLMベースライン上でのVideo-MME Long分割において、最大23.5%の精度向上を実現した。
論文 参考訳（メタデータ） (2025-11-15T04:29:00Z)
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。