論文の概要: ProV-Mem: Proactive Memory for Streaming Video Question Answering

• arxiv url: http://arxiv.org/abs/2610.23998v1
• Date: Thu, 15 Oct 2026 08:47:19 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:45:35.513087
• Title: ProV-Mem: Proactive Memory for Streaming Video Question Answering
• Title（参考訳）: ProV-Mem: ビデオ質問の回答をストリーミングするプロアクティブメモリ
• Abstract要約: 凍結したVLMバックボーンを中心に構築されたトレーニング不要なプロアクティブメモリフレームワークを提案する。 ProV-Memは、前向きな決定を3つの軽量メモリ層に分解する。 ProactiveVideoQAの4つのシナリオの実験では、ProV-Memはすべてのシナリオで最高のCAUCを達成し、WEB、EGO、TV上で最高のPAUCを実現している。
• 参考スコア（独自算出の注目度）: 25.91246022044429
• License:
• Abstract: Proactive streaming video question answering requires a model to continuously monitor an incoming stream and autonomously decide when to speak, what to say, and whether to emit a response. Existing streaming systems face a fundamental difficulty: retaining long visual histories is costly, whereas discarding them can lead to missed events and repeated responses. We propose \textbf{ProV-Mem}, a training-free proactive memory framework built around a frozen VLM backbone. ProV-Mem decomposes the proactive decision into three lightweight memory tiers: a temporal-trigger memory controls when to query the backbone and recovers from prolonged silence, an instructional memory guides what to say through a fixed prompting prior for concise and visually grounded generation, and an episodic memory determines whether to emit by filtering near-duplicate responses. Under an idealized conditional-sufficiency assumption, we derive a stagewise approximation bound relating the decomposed process to a full-state joint policy. We further introduce Cost-Aware Area Under the Curve (\textbf{CAUC}), which extends PAUC by explicitly discounting redundant, overly frequent, and unnecessarily long emissions. Experiments on the four scenarios of ProactiveVideoQA show that ProV-Mem achieves the best CAUC across all scenarios and the best PAUC on WEB, EGO, and TV, while maintaining low per-response inference latency.
• Abstract（参考訳）: アクティブなストリーミングビデオ質問応答には、着信ストリームを継続的に監視し、いつ話すべきか、何を言うべきか、応答を出力するかを自律的に決定するモデルが必要である。 既存のストリーミングシステムは、長い視覚履歴を維持するのにコストがかかるのに対して、それらを捨てることは、イベントの欠落と繰り返しのレスポンスにつながる。 本稿では,凍結したVLMバックボーンを中心に構築されたトレーニング不要なプロアクティブメモリフレームワークである‘textbf{ProV-Mem} を提案する。 ProV-Memは、プロアクティブ決定を3つの軽量メモリ層に分解する: 時間トリガーメモリは、バックボーンを問い合わせた時に制御し、長い沈黙から回復する。 理想化された条件付き充足仮定の下では、分解されたプロセスと完全状態のジョイントポリシーに関連する段階的な近似を導出する。 さらに, 余剰, 過多, 不要な長期排出を明示的に減らし, PAUCを拡張したコスト・アウェア領域(\textbf{CAUC})についても紹介する。 ProactiveVideoQAの4つのシナリオの実験では、ProV-Memはすべてのシナリオで最高のCAUCを達成し、WEB、EGO、TV上で最高のPAUCを実現し、応答毎の推論レイテンシを低く保っている。

関連論文リスト

• Enhancing Long-Video VLM Embeddings with Query-Aware Streaming Latent Reasoning [48.92009312610144]
  長いビデオの埋め込みには、限られた視覚的な予算の下で、スパースクエリ関連エビデンスをキャプチャする必要がある。 textbfQuery-Aware Streaming Latent Reasoning (QASLR)を紹介する。 QASLRはフレームの有界集合を選択し、時間順を復元し、ヴィジュアル言語によるバックボーンでクリップで処理する。
  論文  参考訳（メタデータ） (2026-10-04T02:05:48Z)
• OneStreamer: Unifying Perception, Memory, and Proactive Response in Streaming Video Interaction [32.04438199470426]
  クエリ非依存のエビデンス記録とタスク応答を共同で学習するOneStreamerを紹介します。 タイムグラウンドのローカル・ディテールのキャプションや完成イベントの要約を制作する。 これにより、すべての出力アンカーにおける監視を保ちながら、繰り返し待ち状態の優位性を低下させる。
  論文  参考訳（メタデータ） (2026-10-01T14:23:03Z)
• FlashBack: Knowing When to Remember in Streaming Vision-Language Models [14.319054809222314]
  FlashBackは、ストリーミングビジョン言語モデルで選択可能なマルチレベルメモリのためのトレーニング不要のフレームワークである。 我々は、StreamingVLMとMage-VL-4BでFlashBackをインスタンス化し、OVO-BenchとStreamingBenchで評価する。
  論文  参考訳（メタデータ） (2026-10-01T07:05:08Z)
• StreamScout: Learning When to Look Deeper for Streaming Video Understanding [19.514073898731603]
  ビデオの理解をストリーミングするには、無制限のビデオストリーム上で任意の瞬間にやってくる質問に答える必要がある。 StreamScoutは適応型推論フレームワークで、ストリームが展開するにつれて、コンテキスト内の軽量なテキストタイムラインのみを保持する。 3つのバックボーンと3つのストリーミングベンチマーク、StreamScoutとその変種は、従来よりも一貫してパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2026-08-31T19:35:25Z)
• Stop When Memory Suffices: Evidence-Conditioned Progressive Execution for LLM Agents [5.4775608854724345]
  既存のメモリシステムは、効率的なアクセスのために圧縮と構造ヒストリーまたはより広い軌道に関する深い研究を行う。 メモリシステムは、オンラインのレイテンシを低く保ちながら、強力な応答品質を達成できますか? 本稿では,長期エージェントメモリのためのエビデンス条件付きプログレッシブ実行フレームワークであるReuter-Memを紹介する。
  論文  参考訳（メタデータ） (2026-08-02T14:49:24Z)
• LiveStarPro: Proactive Streaming Video Understanding with Hierarchical Memory for Long-Horizon Streams [59.485485426790966]
  このLiveStarProは、長時間のストリーミング上でのプロアクティブなビデオ理解のために設計されたライブストリーミングアシスタントである。 LiveStarProは既存のメソッドを一貫して上回り、セマンティックな正確性は28.9%向上した。 そのストリーミングキーバリューキャッシュは、キャッシュなしで同じモデル上で1.58倍の推論速度を得る。
  論文  参考訳（メタデータ） (2026-06-16T11:18:05Z)
• ReCA: Multi-Shot Long Video Extrapolation via Recursive Context Allocation [69.45329019089041]
  マルチショットビデオ外挿(マルチショットビデオ外挿、Multi-Shot Video Extrapolation、MSVE)は、観察されたフレームまたはクリップを撮影的に構造化された一連のショットに拡張するタスクである。 MSVEは、長ビデオの障害は単にコンテキスト長の制限ではなく、コンテキスト割り当ての障害であることを明らかにした。 本稿では,再帰的コンテキスト割当(Recursive Context Allocation, ReCA)を提案する。
  論文  参考訳（メタデータ） (2026-05-26T04:16:56Z)
• Semantic-Aware Adaptive Visual Memory for Streaming Video Understanding [55.7992006853979]
  SAVEMemは、セマンティックな認識をメモリ生成にもたらすフレームワークで、クエリ毎に検索スコープを適応させる。 SAVEMemは、メモリ生成にセマンティックな認識をもたらし、クエリ毎に検索範囲を適応させる、トレーニングフリーのデュアルステージフレームワークである。
  論文  参考訳（メタデータ） (2026-05-08T15:40:40Z)
• Progressive Online Video Understanding with Evidence-Aligned Timing and Transparent Decisions [75.23170605943457]
  textbfmodelは、メモリ統合から推論制御を分離するフレームワークである。 emphActive Thinking Decision Maker (ATDM)は、決定プロセスの外部化を行う透明な推論コントローラである。 emphHierarchical Progressive Semantic Integration (HPSI)モジュールは効率的なメモリシステムとして機能する。
  論文  参考訳（メタデータ） (2026-04-20T16:15:33Z)
• Bounded State in an Infinite Horizon: Proactive Hierarchical Memory for Ad-Hoc Recall over Streaming Dialogues [27.69314585543646]
  textbfProStreamは,ストリーム対話のためのアクティブな階層型メモリフレームワークである。 マルチグラニュラー蒸留による連続ストリームを推論することで、オンデマンドでのアドホックメモリリコールを可能にする。 実験によると、ProStreamは精度と効率の両方でベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-03-05T07:25:25Z)
• Dispider: Enabling Video LLMs with Active Real-Time Interaction via Disentangled Perception, Decision, and Reaction [81.34648970317383]
  本稿では,知覚,決定,反応を両立させるシステムであるDispiderを紹介する。 実験により、Dispiderは従来のビデオQAタスクにおいて高いパフォーマンスを維持しているだけでなく、ストリーミングシナリオ応答における従来のオンラインモデルを大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-01-06T18:55:10Z)

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。