[論文レビュー] Scene-Aware Memory Discrimination: Deciding Which Personal Knowledge Stays

Yijie Zhong, Mengying Guo+4 more|arXiv (Cornell University)|Feb 12, 2026

Personal Information Management and User Behavior被引用数 0

ひとこと要約

SAMD は Gating Unit と Cluster Prompting Module を用いてシーン認識に基づく memory discrimination を実行し、計算量を削減しつつ memory の質を向上させ、直接評価と間接評価の両方で強力な結果を示す。

ABSTRACT

Intelligent devices have become deeply integrated into everyday life, generating vast amounts of user interactions that form valuable personal knowledge. Efficient organization of this knowledge in user memory is essential for enabling personalized applications. However, current research on memory writing, management, and reading using large language models (LLMs) faces challenges in filtering irrelevant information and in dealing with rising computational costs. Inspired by the concept of selective attention in the human brain, we introduce a memory discrimination task. To address large-scale interactions and diverse memory standards in this task, we propose a Scene-Aware Memory Discrimination method (SAMD), which comprises two key components: the Gating Unit Module (GUM) and the Cluster Prompting Module (CPM). GUM enhances processing efficiency by filtering out non-memorable interactions and focusing on the salient content most relevant to application demands. CPM establishes adaptive memory standards, guiding LLMs to discern what information should be remembered or discarded. It also analyzes the relationship between user intents and memory contexts to build effective clustering prompts. Comprehensive direct and indirect evaluations demonstrate the effectiveness and generalization of our approach. We independently assess the performance of memory discrimination, showing that SAMD successfully recalls the majority of memorable data and remains robust in dynamic scenarios. Furthermore, when integrated into personalized applications, SAMD significantly enhances both the efficiency and quality of memory construction, leading to better organization of personal knowledge.

研究の動機と目的

• 個人向けアプリケーションのために簡潔で高品質な個人メモリを構築する記憶 discrimination を動機づける。
• Frozen LLM とともに動作する scene-aware memory discrimination フレームワーク（SAMD）を提案する。
• memory-scene の顕著性に基づくフィルタリングと意図-シーンクラスタリングによる memory 基準を定義する GUM を設計する。
• 直接評価および間接評価を通じて、さまざまなデータセットに対する SAMD の有効性と頑健性を示す。

提案手法

• 文脈中の各文を memory として保存するかどうかを2値判断として導入する。
• Gating Unit Module（GUM）は顕著な語や複数視点のロールプレイから構築した memory scene-based identifier を用いて非 memorable なデータをフィルタリングする。
• Cluster Prompting Module（CPM）は intent-scene 親和マトリクスでユーザー意図をクラスタリングし、各クラスタごとに discrimination ルールを構築して何を remembering するかを定義する。
• 凍結された LLM を用いて discrimination ルールを適用し、新しい memory scenes と intents へのアクセス性を最小コストで更新する。
• memory discrimination の正確性、リコール、効率を直接評価し、memory-enabled エージェントへの memory 構築への影響を間接的に評価する。

実験結果

リサーチクエスチョン

• RQ1 SAMD は大規模なデータでも memorable と non-memorable を正確に識別できるか。
• RQ2 scene-aware な識別は memory の質と効率を、多様な memory scenes と intents に渡って改善するか。
• RQ3 LLM のファインチューニングなしに新しい memory scenes や intents へ SAMD はどれだけ適応できるか。
• RQ4 SAM D が downstream の memory-assisted アプリケーションの速度と品質に与える影響はどの程度か。

主な発見

Method	BID-20K Acc	BID-20K R1	BID-20K Time	IID-10K Acc	IID-10K R1	IID-10K Time	GID-1K Acc	GID-1K R1	GID-1K Time
SCM	54.4			10.4			50.0
Memochat	65.6	68.4	1.39	16.3	73.1	1.21	52.9	76.4	1.72
TiM	48.6	50.2	1.26	67.2	50.9	0.95	63.7	68.0	1.60
Ours Qwen2	85.4	89.5	0.45	82.5	93.6	0.18	-	-	-
w/o GUM (Qwen2)	80.9	90.9	0.55	77.6	96.2	0.53	-	-	-
Ours LLAMA3	85.1	92.1	0.43	83.0	95.7	0.18	-	-	-
w/o GUM (LLAMA3)	80.5	92.3	0.54	81.1	97.2	0.53	-	-	-
without Intent (Qwen2)	80.4	99.6	0.98	80.0	96.8	0.20	76.4	97.9	0.94
without Intent (LLAMA3)	86.0	97.2	0.96	84.1	92.5	0.28	80.2	95.6	0.89

• intent clustering を用いた SAMD は、主要データセットにおいてベースライン手法より約3倍速い識別と20％超の精度向上を達成。
• SAMD は memorable なデータの90％超を保持し、全体の性能を20％超向上。
• GUM は非 memorable なデータを早期に効果的にフィルタリングし、不要な LLM 利用と計算コストを削減。
• CPM の intent-scene clustering は、多様な表現をカバーする識別ルールを可能にしつつ、シーン間の memory ギャップを最小化。
• SAMD はユーザーの intents が不完全・不正確・利用できない場合にも頑健で、進化するアプリケーションの要求に対応。