論文の概要: Can Agents Keep Up with Time? An Empirical Analysis of Temporal Adaptation After a Conversational Hiatus
- arxiv url: http://arxiv.org/abs/2611.17806v1
- Date: Fri, 13 Nov 2026 06:42:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.31775
- Title: Can Agents Keep Up with Time? An Empirical Analysis of Temporal Adaptation After a Conversational Hiatus
- Title(参考訳): エージェントは時間に追いつくことができるか? : 会話ハイターの時間適応の実証分析
- Abstract要約: ロングホライゾンのエージェントは、現代ウェブプラットフォーム全体で永続的なパーソナルアシスタントとしての役割を担っている。
エージェントが時間の経過を察知し、それに応じてアドバイスを適応させるかどうかを調査する。
我々は,長期エージェント設計のための時間的意識ガイダンスを提供するセッション記述型ベンチマークを設計する。
- 参考スコア(独自算出の注目度): 28.059907491606605
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon agents increasingly serve as persistent personal assistants across modern web platforms, managing schedules, applications, and multi-step plans over weeks or months. Users often return to an ongoing conversation after a long conversational hiatus, while earlier bookings and preparation notes stay on record. During this hiatus, scheduled dates may pass even though the retained records remain unchanged and event outcomes go unrecorded. Existing evaluations of long-horizon agents focus on fact retention and explicit state updates. Whether agents perceive the passage of time and adapt their advice accordingly therefore remains unknown. We frame this ability as temporal state perception and use, which means perceiving the current time and applying it when interpreting dated records. To study it, we design session-rekindling tasks that keep the earlier conversation fixed and vary only the follow-up date and the way temporal information reaches the agent. Experiments across five model routes and five temporal-information conditions show that agents can obtain the current time but often fail to use it. They reliably query the clock and even note in their reasoning that the scheduled date has passed, yet many still tell users to prepare for the expired event. Supplying explicit temporal context reduces this error, and providing the computed date relation removes it entirely. Keeping up with time therefore depends on turning perceived time into updated plans. Based on these findings, we design a session-rekindling benchmark that provides temporal-awareness guidance for designing long-horizon agents. The code can be found at https://github.com/Adoreu2/session-rekindling-benchmark.
- Abstract(参考訳): ロングホライゾンエージェントは、現代のWebプラットフォーム全体にわたって永続的なパーソナルアシスタントとして機能し、スケジュール、アプリケーションを管理し、数週間から数ヶ月にわたって多段階計画を管理する。
ユーザーは長い会話の休止の後、進行中の会話に戻ることが多いが、以前の予約や準備ノートは記録に残されている。
この休止期間中は、記録が変わらず、イベントの結果が記録されていないにもかかわらず、予定日が経過する可能性がある。
長年にわたるエージェントの既存の評価は、事実保持と明示的な状態更新に焦点を当てている。
エージェントが時間の経過を察知し、それに応じてアドバイスを適応するかどうかは不明のままである。
我々は、この能力を時間的状態認識と使用とみなし、つまり、日付付きレコードを解釈する際に、現在の時刻を知覚し、それを適用することを意味する。
そこで本研究では,先行会話を固定し,フォローアップ日時と時間的情報がエージェントに届く方法のみを変更できるセッション再学習タスクを設計する。
5つのモデルルートと5つの時間的情報条件による実験は、エージェントが現在の時間を取得することができるが、しばしばそれを使うことができないことを示している。
彼らは確実に時計に問い合わせ、スケジュールされた日時が経過したという理由でメモさえするが、多くの人はまだ期限切れのイベントの準備をユーザーに指示している。
明示的な時間的コンテキストを提供すると、このエラーが減少し、計算された日付関係が完全に削除される。
そのため、時間に追いつくには、知覚された時間を最新の計画に変える必要がある。
これらの結果に基づいて, 時間的認知度を指標として, 長期的エージェントを設計するためのセッション認識型ベンチマークを設計する。
コードはhttps://github.com/Adoreu2/session-rekindling-benchmarkにある。
関連論文リスト
- Do Retrieval Ranking Models Capture Event Order? A Study of Timeline-Constrained Retrieval [12.232241462328297]
本研究では,クエリが自然言語イベント文の順序付けられたシーケンスである時系列制約付き文書検索について検討する。
広範に使われている高密度レトリバーとニューラルリランカーがそのような制約を捉えているかどうかを検証し、時間的順序を明示的に保存しているとランクが向上するかどうかを検証した。
論文 参考訳(メタデータ) (2026-11-03T05:27:23Z) - StateComp: Learning When to Compress History in Long Horizon Agents [55.84813053778976]
本研究では,現在エージェントの状態に応じて過去のインタラクションを安全に圧縮できるフレームワークであるState Conditioned Compression(StateComp)を提案する。
WorkBenchBuddyの実験では、StateCompはタスク性能を維持しながら総エージェントと要約トークンを52.27%削減し、表現抽出において12.67倍の高速化を実現している。
論文 参考訳(メタデータ) (2026-09-23T03:34:08Z) - What Should an Agent Forget? Separating What Is Stored from What Is Used [14.434131011155545]
永続的な言語エージェントは、時間にわたって利用できるように格納されたエクスペリエンスを必要とします。
RD-Forgetは、エージェントが保存するものと使用するものとを分離する、トレーニング不要のフレームワークです。
論文 参考訳(メタデータ) (2026-09-09T14:48:09Z) - A Graph-Native Bitemporal Memory Store for Conversational AI Agents [0.0]
HNSWベクトルインデックスとフルバイテンポラルデータモデルで拡張したエージェントローカルなNeo4jプロパティグラフについて述べる。
各メモリは、2つの閉時間間隔を持つバージョニングされたコンテンツノードにリンクされた不変のアイデンティティノードとして格納される。
このシステムは,長期記憶を強調するために設計された6つの質問タイプにまたがる500クエストベンチマークであるLongMemEvalで評価する。
論文 参考訳(メタデータ) (2026-07-29T06:40:52Z) - Agents Don't Just Agree, They Remember: Benchmarking Persistent Sycophancy in Stateful Personal Agents [33.055253684457625]
ステートフルなパーソナルエージェントは、長期的なユーザープロファイル、エピソード記憶、再利用可能なスキルをますます維持する。
これを持続性梅毒と呼び、Personal Agent Sycophancy Benchmark (PASB)を導入します。
PASBは、会話的クレームが受け入れられ、耐久性のあるエージェント状態に書き込まれ、後に中立なクエリで再利用されるかどうかをトレースする。
論文 参考訳(メタデータ) (2026-07-12T01:08:59Z) - TRACE: State-Aware Query Processing over Temporal Evidence Graphs for Conversational Data [15.389000154441986]
本稿では,時間的エビデンスグラフ上の問合せ処理フレームワークTRACEについて述べる。
TRACEは、イベント、セッション、トピックにまたがる階層的なグラフとして会話をモデル化する。
問合せ時に、TRACEは、ベクトルベースのノート検索とグラフ誘導エビデンス検索を組み合わせることで、妥当性を意識したサポートパスと、回答生成のためのハイブリッドコンテキストを生成する。
論文 参考訳(メタデータ) (2026-07-01T02:28:47Z) - SAM: State-Adaptive Memory for Long-Horizon Reasoning Agent [51.274445160155864]
ロングホライゾンのエージェント推論は、思考、ツールコール、観察、部分的な結論を含む長い相互作用履歴を通して行動するために大きな言語モデルを必要とする。
既存のアプローチでは、インタラクション履歴の切り抜き、短いサロゲートに圧縮、あるいは再利用のために選択した部分を取得することで、この問題に対処している。
我々は、インテント駆動リコールのための生のトラジェクトリページを保持しながら、継続的なインタラクションをコンパクトなメモリキューに統合するスタンドアロンフレームワークであるState-Adaptive Memoryを提案する。
論文 参考訳(メタデータ) (2026-05-23T08:37:16Z) - Mitigating Temporal Misalignment by Discarding Outdated Facts [58.620269228776294]
大規模な言語モデルは、しばしば時間的ミスアライメントの下で使われ、現在に関する質問に答える。
我々は、ある事実がいつまで真実であるかを予測するタスクとして、事実期間予測を提案する。
私たちのデータとコードはhttps://github.com/mikejqzhang/mitigating_misalignment.comで公開されています。
論文 参考訳(メタデータ) (2023-05-24T07:30:08Z) - Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。
TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。
共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
論文 参考訳(メタデータ) (2022-12-20T17:40:03Z) - A Dataset for Answering Time-Sensitive Questions [88.95075983560331]
時間とは、我々の物理的世界において重要な次元である。多くの事実が時間に関して進化することができる。
時間次元を考慮し、既存のQAモデルに時間とともに推論する権限を与えることが重要です。
既存のQAデータセットには、時間に敏感な質問がほとんどないため、モデルの時間的推論能力の診断やベンチマークには適さない。
論文 参考訳(メタデータ) (2021-08-13T16:42:25Z)
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。