論文の概要: Finding Is Not Returning, Returning Is Not Reconstructing: A Multi-Dimensional Evaluation of Agent Social Re-entry

• arxiv url: http://arxiv.org/abs/2610.39781v1
• Date: Thu, 29 Oct 2026 10:31:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.075431
• Title: Finding Is Not Returning, Returning Is Not Reconstructing: A Multi-Dimensional Evaluation of Agent Social Re-entry
• Title（参考訳）: 検索はリターンではなく,リターンはリコンストラクションではない:エージェント社会再突入の多次元的評価
• Abstract要約: 多次元評価問題としてエージェント・ソーシャル・リエントリーを導入する。 会話的再認識と永続記憶が社会的再突入の異なる側面とどのように関連しているかを検討する。
• 参考スコア（独自算出の注目度）: 14.001680470455298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As Large Language Model (LLM) agents increasingly participate in persistent social environments, understanding their long-term social interaction capabilities becomes increasingly important. While existing research has advanced long-term memory and conversational context retrieval, less attention has been paid to whether agents can autonomously re-engage with previously inactive conversations. In particular, remembering a past interaction does not necessarily mean that an agent can identify when to revisit it, decide to return, or reconstruct the context needed for a coherent continuation. To investigate this gap, we introduce agent social re-entry as a multi- dimensional evaluation problem, distinguishing three complementary capabilities: Finding, Returning, and Reconstructing. We develop a shared-snapshot evaluation framework that measures these dimensions independently, allowing us to examine how conversational resurfacing and persistent memory relate to different aspects of social re-entry. Evaluations across six LLM configurations show that resurfacing substantially improves target conversation identification, while persistent memory is associated with higher rates of autonomous target-directed replying. However, neither improvement is accompanied by consistent gains in contextual reconstruction. These results highlight the distinction between accessing previous conversations, choosing to re-engage, and maintaining conversational continuity. Our framework provides a way to evaluate these capabilities separately rather than relying on memory retrieval or conversational response quality alone.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントが永続的な社会環境にますます参加するにつれて、長期的な社会的相互作用の能力を理解することがますます重要になる。 これまでの研究は、長期記憶と会話コンテキストの検索を進歩させてきたが、エージェントが以前不活性な会話で自律的に再侵入できるかどうかについては、あまり注目されていない。 特に、過去のインタラクションを記憶することは、エージェントがいつ再考するか、いつ復帰するか、あるいはコヒーレントな継続に必要なコンテキストを再構築できるという意味ではない。 このギャップを解明するために,エージェント・ソーシャル・リエントリーを多次元評価問題として導入し,3つの相補的機能:検索,返却,再構成を区別する。 我々は,これらの次元を独立に測定し,対話的再認識と永続的記憶が社会的再突入の異なる側面とどのように関連しているかを検証できる共有スナップショット評価フレームワークを開発した。 6つのLDM構成で評価すると、再認識によってターゲットの会話の識別が大幅に向上する一方、永続記憶は自律的なターゲット指向応答のより高い速度に関連している。 しかし、どちらの改善もコンテキスト再構築において一貫した利得を伴わない。 これらの結果は、以前の会話にアクセスし、再参加を選択し、会話の連続性を維持することの区別を強調している。 我々のフレームワークは、メモリ検索や会話応答の品質のみに頼るのではなく、これらの機能を個別に評価する方法を提供する。

関連論文リスト

• Back to Basics: Let Conversational Agents Remember with Just Retrieval and Generation [36.056012318684175]
  既存の会話記憶システムは、長期対話履歴を管理するために複雑な階層化や強化学習に依存している。 我々は2つの重要な現象を識別する:textitDecisive Evidence SparsityとtextitDual-Level Redundancy これらの知見に触発されて,会話記憶を基本に戻す最小限のフレームワークであるメソッドを提案する。
  論文  参考訳（メタデータ） (2026-04-13T15:38:43Z)
• Amory: Building Coherent Narrative-Driven Agent Memory through Agentic Reasoning [14.368376032599437]
  Amoryは、オフライン時に構造化されたメモリ表現を積極的に構築するワーキングメモリフレームワークである。 アモリーは会話の断片を叙事詩の物語に整理し、記憶を運動量と統合し、周辺事実を意味記憶に意味づける。 Amoryは従来の最先端よりも大幅に改善され、パフォーマンスは完全なコンテキスト推論に匹敵し、レスポンスタイムを50%削減した。
  論文  参考訳（メタデータ） (2026-01-09T19:51:11Z)
• Thinking Forward and Backward: Multi-Objective Reinforcement Learning for Retrieval-Augmented Reasoning [137.33138614095435]
  Retrieval-augmented Generation (RAG) は、大規模言語モデルにおける幻覚の緩和に有効であることが証明されている。 近年、検索に基づく対話をRAGに組み込んで、リアルタイム検索による反復推論を可能にしている。 提案するBi-RARは,各中間ステップを前方方向と後方方向の両方で共同で評価する,新たな検索拡張推論フレームワークである。
  論文  参考訳（メタデータ） (2025-11-12T08:29:39Z)
• Semantic Anchoring in Agentic Memory: Leveraging Linguistic Structures for Persistent Conversational Context [0.0]
  本稿では,ベクトルベースストレージを明示的な言語的手がかりで強化し,ニュアンス付きコンテキスト豊富な交換のリコールを改善するハイブリッド型エージェントメモリアーキテクチャを提案する。 適応した長期対話データセットの実験では、意味的アンカーがRAGベースラインよりも最大18%、事実的リコールと談話のコヒーレンスを改善することが示されている。
  論文  参考訳（メタデータ） (2025-08-18T05:14:48Z)
• UniConv: Unifying Retrieval and Response Generation for Large Language Models in Conversations [71.79210031338464]
  会話における大規模言語モデルに対する高密度検索と応答生成の統一方法を示す。 目的の異なる共同微調整を行い、不整合リスクを低減するための2つのメカニズムを設計する。 5つの対話型検索データセットの評価は、我々の統合モデルがタスクを相互に改善し、既存のベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-09T17:02:40Z)
• In Prospect and Retrospect: Reflective Memory Management for Long-term Personalized Dialogue Agents [70.12342024019044]
  大規模言語モデル(LLM)は、オープンエンド対話において大きな進歩を遂げているが、関連する情報の保持と取得ができないため、その有効性は制限されている。 本稿では,長期対話エージェントのための新しいメカニズムであるリフレクティブメモリ管理(RMM)を提案する。 RMMは、LongMemEvalデータセットのメモリ管理なしでベースラインよりも10%以上精度が向上している。
  論文  参考訳（メタデータ） (2025-03-11T04:15:52Z)
• Multi-Stage Conversational Passage Retrieval: An Approach to Fusing Term Importance Estimation and Neural Query Rewriting [56.268862325167575]
  マルチステージアドホックIRシステムにクエリ再構成を組み込んだ会話経路検索(ConvPR)に取り組む。 本稿では,1項の重要度推定と2項のニューラルクエリ書き換えという2つの手法を提案する。 前者に対しては、周波数に基づく信号を用いて会話コンテキストから抽出した重要な用語を用いて会話クエリを拡張する。 後者では,会話クエリを,事前訓練されたシーケンス列列列モデルを用いて,自然な,スタンドアロンの,人間の理解可能なクエリに再構成する。
  論文  参考訳（メタデータ） (2020-05-05T14:30:20Z)

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。