Towards Lifelong Dialogue Agents via Timeline-based Memory Management

要約

生涯にわたるヒューマンエージェントの相互作用を達成するには、対話エージェントは認識された情報を常に記憶し、応答生成（RG）のために適切に取得する必要があります。
以前の研究は、回収された品質を改善するために時代遅れの記憶を取り除くことに焦点を当てていますが、そのような記憶は長期的な会話におけるRG（例えば、ユーザーの行動の変化）に豊かで重要な文脈的キューを提供すると主張します。
LLMベースの生涯の対話エージェントのフレームワークであるTheanineを提示します。
シーニンは、記憶の除去を破棄し、時間的および因果関係に基づいてリンクすることにより、大規模な記憶を管理します。
このリンク構造により有効になっているTheanineは、RGをメモリタイムラインで増強します – 関連する過去の出来事の進化または因果関係を表す一連の記憶。
Theanineに加えて、過去の記憶をRGに統合する際のエージェントのパフォーマンスを評価する際のG-Evalおよび人間の努力の制限に対処するために、反事実駆動型評価スキームであるTeafarmを紹介します。
Theanineの補足ビデオとTeafarmのデータは、https：//huggingface.co/spaces/researcherscholar/theanineにあります。

要約(オリジナル)

To achieve lifelong human-agent interaction, dialogue agents need to constantly memorize perceived information and properly retrieve it for response generation (RG). While prior studies focus on getting rid of outdated memories to improve retrieval quality, we argue that such memories provide rich, important contextual cues for RG (e.g., changes in user behaviors) in long-term conversations. We present THEANINE, a framework for LLM-based lifelong dialogue agents. THEANINE discards memory removal and manages large-scale memories by linking them based on their temporal and cause-effect relation. Enabled by this linking structure, THEANINE augments RG with memory timelines – series of memories representing the evolution or causality of relevant past events. Along with THEANINE, we introduce TeaFarm, a counterfactual-driven evaluation scheme, addressing the limitation of G-Eval and human efforts when assessing agent performance in integrating past memories into RG. A supplementary video for THEANINE and data for TeaFarm are at https://huggingface.co/spaces/ResearcherScholar/Theanine.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google