論文の概要: ProactEgoMem: Benchmarking Proactive Memory in Streaming Egocentric Video
- arxiv url: http://arxiv.org/abs/2610.30089v1
- Date: Wed, 21 Oct 2026 17:37:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.461902
- Title: ProactEgoMem: Benchmarking Proactive Memory in Streaming Egocentric Video
- Title（参考訳）: ProactEgoMem:エゴ中心のビデオストリーミングにおけるアクティブメモリのベンチマーク
- Abstract要約: 本稿では,ストリーミングエゴセントリックビデオにおけるプロアクティブメモリを評価するベンチマークであるProactEgoMemを紹介する。
ベンチマークではプロトコルを2段階のプロアクティブ性で定義している。
パラレルのProactEgoMem-DailyとProactEgoMem-Sciトラックは、日常および科学的なユースケースをカバーする300/100のクリップを含んでいる。
- 参考スコア（独自算出の注目度）: 67.97229831293886
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Today's multimodal assistants are typically prompted to interpret the visual evidence presented to them. To offload the cognitive burden of remembering across long horizons, wearable assistants should instead proactively acquire and maintain useful memory as the user's surroundings evolve. Doing so on the user's behalf requires identifying what matters, understanding the scene in real time, and initiating memory maintenance in the background while the user stays focused on their activities. We introduce ProactEgoMem, a benchmark that evaluates proactive memory in streaming egocentric video. Three tasks ground the evaluation in ambient environmental needs: Information Capture (IC) preserves transient yet dense visual information, State Tracking (ST) follows changing object states, and Location Tracking (LT) records object movements. The benchmark defines its protocol at two levels of proactiveness: the Notification Level asks for a single timely notification that satisfies the user's intent, while the deeper Intervention Level asks the agent to maintain memory on the user's behalf through an active start-to-stop tool lifecycle. Parallel ProactEgoMem-Daily and ProactEgoMem-Sci tracks contain 300/100 clips covering daily and scientific use cases, paired with 1000/500 questions in ProactEgoMem-QA, which measures the quality of the proactively acquired memory. Across proprietary, open-source, video-language, and streaming baselines, even the strongest models fail to capture memory both timely and accurately. ProactEgoMem provides a rigorous evaluation foundation for proactive multimodal assistance and for video agents that co-exist with their users.
- Abstract（参考訳）: 今日のマルチモーダルアシスタントは通常、彼らに提示された視覚的証拠を解釈するよう促される。
長い地平線をまたいで記憶する認知的負担を和らげるために、ウェアラブルアシスタントは、ユーザの周囲が進化するにつれて、有用な記憶を積極的に獲得し、維持する必要がある。
ユーザの代わりに、何が重要かを識別し、リアルタイムでシーンを理解し、ユーザが活動に集中している間に、バックグラウンドでのメモリメンテナンスを開始する必要がある。
本稿では,ストリーミングエゴセントリックビデオにおけるプロアクティブメモリを評価するベンチマークであるProactEgoMemを紹介する。
情報キャプチャ(IC)は過渡的だが高密度な視覚情報を保存し、状態追跡(ST)は変化する物体の状態に従って、位置追跡(LT)は物体の動きを記録する。
通知レベルは、ユーザの意図を満たす単一のタイムリーな通知を要求する一方で、より深いインターベンションレベルは、アクティブなスタート・トゥ・ストップツールライフサイクルを通じて、エージェントにユーザの代理としてメモリを維持するように要求する。
並列ProactEgoMem-DailyとProactEgoMem-Sciのトラックには、300/100のクリップがあり、ProactEgoMem-QAの1000/500の質問と組み合わせて、積極的に取得したメモリの品質を測定する。
プロプライエタリ、オープンソース、ビデオ言語、ストリーミングベースライン全体において、最強のモデルでさえ、タイムリーかつ正確にメモリをキャプチャできない。
ProactEgoMemは、プロアクティブなマルチモーダルアシストと、ユーザと共存するビデオエージェントのための厳格な評価基盤を提供する。
関連論文リスト
- APM-Bench: Benchmarking Cross-session Persistent Memory for Egocentric Streaming Video Assistants [23.48188444793718]
現実のパーソナルアシスタントとして機能するためには、ストリーミングビデオモデルは、後から使うために過去の体験を保持する永続的なメモリを必要とする。
実世界のストリーミングインタラクションをマルチセッションライフトラジェクトリとして再構成するAPM-Benchを紹介する。
549のセッション、104のトラジェクトリー、2,719の候補者が参加し、客観的な質問とオープンな質問の両方をカバーしている。
論文 参考訳（メタデータ） (2026-09-29T13:32:06Z) - ActiveArena: Benchmarking and Understanding Active Perception in Robotic Manipulation [46.7774490610328]
ActiveArena-Simは、制御可能な視点と大規模なワークスペースを備えたアクティブパーセプションシミュレータである。
ActiveArena-Benchは5つの細かいカテゴリにわたる35のタスクで構成され、視覚的な探索とインタラクティブな情報取得をカバーしている。
ActiveArena-VLAは、メモリ書き込み、メモリ容量、受容状態、サブタスクの監督、アクティブな知覚における高レベル計画の制御のための13の視覚言語対応構成のモジュールスイートである。
論文 参考訳（メタデータ） (2026-09-21T05:23:37Z) - MEMPROBE: Probing Long-Term Agent Memory via Hidden User-State Recovery [58.64329475683699]
我々は、長期記憶は監査可能な相互作用後のアーティファクトとして評価されるべきであると主張している。
我々は、メモリを備えたエージェントがシミュレーションユーザを支援するベンチマークであるMEMPROBEで、このビューをインスタンス化する。
私たちは、成功したアシストと回復可能なメモリが、異なる機能として振る舞うことに気付きました。
論文 参考訳（メタデータ） (2026-06-23T13:52:46Z) - EventVLA: Event-Driven Visual Evidence Memory for Long-Horizon Vision-Language-Action Policies [68.812675280427]
EventVLAは、疎視的エビデンスメモリの概念に基づいて開発されたエンドツーエンドフレームワークである。
KEMは、VLAの潜伏した埋め込みから将来の確率を直接予測し、スパースでタスククリティカルな視覚イベントを自律的にキャプチャして保存する。
対話型視覚的エビデンスで非マルコフ操作タスクを評価するための診断ベンチマークであるRoboTwin-MeMを提案する。
論文 参考訳（メタデータ） (2026-06-18T11:11:37Z) - SuperMemory-VQA: An Egocentric Visual Question-Answering Benchmark for Long-Horizon Memory [14.96864764261795]
SuperMemory-VQAは、実用的な長期記憶タスクでAIアシスタントを評価するデータセットである。
これには、同期RGBビデオ、音声の書き起こし、視線、IMU、SLAMトラジェクトリなど、AIメガネで記録された日常的な活動の52.9時間が含まれている。
対象と位置記憶,意図的リコール,視覚的シーンリコール,タイムライン再構築,会話記憶,コンテキスト内検索にまたがる4,853の質問応答対を構築した。
論文 参考訳（メタデータ） (2026-05-30T17:53:10Z) - Task-Focused Memorization for Multimodal Agents [9.026427508263641]
マルチモーダルエージェントがコヒーレントな体験を構築し、世界知識を蓄積し、継続的な学習を実現するためには、長期記憶が不可欠である。
本研究では,環境の中で遭遇する実際のタスクの要求にポリシーが焦点を合わせることを可能にする,強化学習ベースのフレームワークであるTaskMemを紹介する。
論文 参考訳（メタデータ） (2026-05-29T09:43:35Z) - 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) - O-Mem: Omni Memory System for Personalized, Long Horizon, Self-Evolving Agents [60.1848551962911]
O-Memはアクティブユーザプロファイリングに基づく新しいメモリフレームワークである。
O-Memはペルソナ属性とトピック関連コンテキストの階層的検索をサポートする。
論文 参考訳（メタデータ） (2025-11-17T16:55:19Z) - FindingDory: A Benchmark to Evaluate Memory in Embodied Agents [49.18498389833308]
本研究では,Habitatシミュレータに長距離エンボディタスクのための新しいベンチマークを導入する。
このベンチマークは、持続的なエンゲージメントとコンテキスト認識を必要とする60タスクにわたるメモリベースの機能を評価する。
論文 参考訳（メタデータ） (2025-06-18T17:06:28Z)
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。