論文の概要: We Are What We Remember: Mental-State-Driven Memory for Long-Term Character Dialogue
- arxiv url: http://arxiv.org/abs/2611.16223v1
- Date: Thu, 12 Nov 2026 03:17:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.348921
- Title: We Are What We Remember: Mental-State-Driven Memory for Long-Term Character Dialogue
- Title(参考訳): 私たちが覚えていることは: 長期的文字対話のための精神状態駆動記憶
- Abstract要約: MindMemは、共有エクスペリエンスを、キャラクター、ユーザ、およびそれらの関係のソースリンクされたメンタルステートに集約するメモリフレームワークである。
MemReal-Benchは、エージェントが過去の事実を知ることと、共有履歴、世界ルール、リレーショナルトラジェクトリを使って、ギャップを埋めるかどうかをテストする。
- 参考スコア(独自算出の注目度): 4.691390550512984
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Shared history in human dialogue is not merely a repository of facts, but the foundation of evolving relationships and mutual understanding. However, mainstream conversational memory systems rely on passive semantic similarity over external fact stores, frequently retrieving topically similar records while missing relationally pivotal experiences. Inspired by cognitive psychology's Self-Memory System (SMS), we propose MindMem, a mental-state-driven memory framework that asynchronously consolidates shared experiences into source-linked mental states of the character, the user, and their relationship. At each turn, a specialized mental-state reasoner (Mind) contextualizes these persistent states to anticipate latent user needs, form proactive intentions, and recover supporting episodic evidence that surface-level matching overlooks. To evaluate history-sensitive adaptation beyond factual recall, we introduce MemReal-Bench, a longitudinal benchmark grounded in month-long real-user interactions across dyadic and group scenes. By pairing Direct Question Answering (DQA) with Situated Memory Realization (SMR), it tests whether agents bridge the gap between knowing past facts and naturally using shared history, world rules, and relational trajectories. On MemReal-Bench, MindMem reaches 59.03% SMR and 82.58% DQA, exceeding the strongest memory baseline by 24.19 and 9.19 percentage points, respectively, and outperforming oracle target-memory injection on SMR. Code and dataset are available at https://github.com/jiazhicheng7-ctrl/MindMem.
- Abstract(参考訳): 人間の対話における共有された歴史は、単に事実のリポジトリではなく、関係の進化と相互理解の基礎である。
しかし、主流の会話記憶システムは外部のファクトストアよりも受動的セマンティックな類似性に依存しており、しばしば類似したレコードを検索する一方で、関係的に重要な経験を欠いている。
認知心理学の自己記憶システム(SMS)にインスパイアされた我々は、共有体験を文字、ユーザ、およびそれらの関係のソースリンクされた精神状態に非同期に統合する精神状態駆動型記憶フレームワークであるMindMemを提案する。
各ターンにおいて、特殊精神状態推論器(Mind)は、これらの永続状態を文脈化し、潜在ユーザのニーズを予測し、前向きな意図を形成し、表面レベルのマッチングが見落としているというエピソード的証拠を回復する。
実写のリコールを超えて履歴に敏感な適応を評価するため,ダイアディックとグループシーンをまたいだ1ヶ月のリアルタイムユーザインタラクションを基盤とした時系列ベンチマークであるMemReal-Benchを紹介した。
DQA(Direct Question Answering)とSituated Memory Realization(SMR)を組み合わせることで、エージェントが過去の事実を知ることと、共有履歴、世界ルール、リレーショナルトラジェクトリを自然に利用することの間のギャップを埋めるかどうかをテストする。
MemReal-Benchでは、MindMemは59.03%のSMRと82.58%のDQAに達し、それぞれ24.19ポイントと9.19ポイントで最強のメモリベースラインを超え、SMRでのオラクルターゲットメモリインジェクションよりも優れている。
コードとデータセットはhttps://github.com/jiazhicheng7-ctrl/MindMemで入手できる。
関連論文リスト
- Event-Centric Memory with Query-Aware Graph Augmentation for Long-Term Conversational Agents [51.804747364500344]
本稿では,人間の記憶を動機とした新しいメモリ構築とアクティベーションフレームワークQGMemを提案する。
QGMemは、長い対話履歴を個々の体験を保存するイベントインデックス化された原子記憶ユニットに変換する。
検索,マルチホップエビデンス構成,コンフリクト解決,コンパクトな文脈による超長文対話推論において,一貫した利得を示す。
論文 参考訳(メタデータ) (2026-10-08T13:17:59Z) - T-Mem: Memory That Anticipates, Not Archives [33.07356563410912]
本稿では,記述的記憶と連想的記憶の両方をカバーする,最初の長期会話型記憶アーキテクチャであるT-Memを提案する。
実証的な検証として、T-MemはLoCoMoとLoCoMo-Plusの両方で最先端に達する。
論文 参考訳(メタデータ) (2026-06-13T17:14:53Z) - WorldMemArena: Evaluating Multimodal Agent Memory Through Action-World Interaction [72.1620416874118]
マルチモーダルな言語モデルは、長距離エージェントとしてますます多くデプロイされている。
既存のベンチマークは、静的対話上のリコールを測定し、メモリを1つのタスクの精度に分解し、キャプションに対する視覚的な観察を減らす。
マルチモーダルエージェントメモリを,観測可能な4段階ライフサイクルを持つアクションワールドインタラクションループとして定式化する。
論文 参考訳(メタデータ) (2026-05-28T04:27:20Z) - AdaMem: Adaptive User-Centric Memory for Long-Horizon Dialogue Agents [49.63422082885992]
長軸対話エージェントのための適応型ユーザ中心メモリフレームワークであるAdaMemを提案する。
AdaMemは対話履歴をワーキング、エピソディック、ペルソナ、グラフメモリに整理する。
LoCoMo と PERSONAMEM ベンチマーク上での AdaMem の評価を行った。
論文 参考訳(メタデータ) (2026-03-17T13:22:54Z) - EMemBench: Interactive Benchmarking of Episodic Memory for VLM Agents [52.567469286881426]
本稿では,対話型ゲームによるエージェントの長期記憶評価のためのプログラムベンチマークEMemBenchを紹介する。
固定された質問セットを使う代わりに、EMemBenchは各エージェント自身の軌道から質問を生成する。
各テンプレートは、下層のゲーム信号から検証済みの真理を計算する。
論文 参考訳(メタデータ) (2026-01-23T12:09:59Z) - RealMem: Benchmarking LLMs in Real-World Memory-Driven Interaction [21.670389104174536]
RealMem**は、現実的なプロジェクトのシナリオに基礎を置いた最初のベンチマークです。
RealMemは11つのシナリオにわたる2,000以上のクロスセッション対話で構成され、評価に自然なユーザクエリを利用する。
本稿では,メモリの動的進化をシミュレートするために,Project Foundation Construction, Multi-Agent Dialogue Generation, and Memory synthesis and Schedule Managementを統合するパイプラインを提案する。
論文 参考訳(メタデータ) (2026-01-11T15:49:36Z) - Memory Matters More: Event-Centric Memory as a Logic Map for Agent Searching and Reasoning [55.251697395358285]
大規模言語モデル(LLM)は、環境を推論し、計画し、相互作用するインテリジェントエージェントとして、ますます多くデプロイされている。
長期のシナリオに効果的にスケールするには、そのようなエージェントの重要な機能は、過去の経験を保持し、整理し、取り出すことができるメモリメカニズムである。
イベント理論にインスパイアされたイベント中心のメモリフレームワークであるCompassMemを提案する。
論文 参考訳(メタデータ) (2026-01-08T08:44:07Z) - MADial-Bench: Towards Real-world Evaluation of Memory-Augmented Dialogue Generation [15.64077949677469]
メモリ拡張対話システム(MADS)の有効性を評価するための新しいメモリ拡張対話ベンチマーク(MADail-Bench)を提案する。
このベンチマークは2つのタスクを別々に評価する: メモリ検索とメモリ認識は、パッシブとプロアクティブの両方のメモリリコールデータを組み込んだものである。
このベンチマークにおける最先端の埋め込みモデルと大規模言語モデルの結果は、さらなる進歩の可能性を示している。
論文 参考訳(メタデータ) (2024-09-23T17:38:41Z) - Self-Attentive Associative Memory [69.40038844695917]
我々は、個々の体験(記憶)とその発生する関係(関連記憶)の記憶を分離することを提案する。
機械学習タスクの多様性において,提案した2メモリモデルと競合する結果が得られる。
論文 参考訳(メタデータ) (2020-02-10T03:27:48Z)
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。