Beyond Semantic Organization: Memory as Execution State Management for Long-Horizon Agents
University of Science and Technology of China(中国科学技术大学);Microsoft(微软);Nanjing University(南京大学);University of California, San Diego(加州大学圣地亚哥分校)
针对长时程任务中智能体依赖执行状态而非语义相似性的问题,提出MAGE(记忆作为智能体引导的探索),通过层次状态树管理交互,实现状态完整性和错误隔离,在MemoryArena上任务成功率提升7.8-20.4个百分点,token消耗降低55.1%。
2026-10-19 cs.AI
CGFM-Nav: Cognitive Graph-Field Memory for Semantic-Guided Lifelong Multimodal Embodied Navigation
National University of Singapore(新加坡国立大学)
该研究针对视觉与语言导航中环境表征的不足,提出CGFM及基于其的CGFM-Nav框架,在GOAT-Bench实验中提升了导航的成功率与SPL,验证了方法的有效性。
2026-09-01 cs.AI cs.RO
Meta-Memory: Retrieving and Integrating Semantic-Spatial Memories for Robot Spatial Reasoning
Southern University of Science and Technology(南方科技大学)
提出元记忆(Meta-Memory),一种由大语言模型驱动的智能体,通过联合推理语义与空间记忆来回答空间位置查询,在SpaceLocQA和NaVQA基准上超越现有方法,并已在真实机器人上验证。
2025-09-25 cs.AI cs.RO
MemoVAD: Resource-Efficient Video Anomaly Detection via Dynamic Semantic Memory in Edge Computing Scenarios
Institute of Artificial Intelligence and Future Networks, Beijing Normal University(北京师范大学人工智能与未来网络研究院);School of Computing and Artificial Intelligence, Southwest Jiaotong University(西南交通大学计算机与人工智能学院);Engineering Research Center of Cloud-Edge Intelligent Collaboration on Big Data, Ministry of Education, Beijing Normal University(北京师范大学大数据云边智能协同教育部工程研究中心)
提出MemoVAD边缘-云协同框架,通过不确定性感知门控策略选择性调用云端视觉语言模型,并设计动态语义记忆缓存原型,在降低通信开销的同时提升视频异常检测性能。
2026-06-04 cs.AI cs.CV
Beyond Fact Retrieval: Episodic Memory for RAG with Generative Semantic Workspaces
GSW通过生成语义工作区提升LLM的长上下文推理能力,实现更高效的记忆管理与时空连贯性。
2026-02-16 cs.AI cs.CL
Memory-Efficient Large Language Models for Program Repair with Semantic-Guided Patch Generation
The University of Melbourne(墨尔本大学)
提出FLAMES,一种语义引导补丁生成的大语言模型程序修复技术,通过贪婪解码和最佳优先搜索降低内存消耗83%,并在Defects4J上多修复10个错误。
2025-10-17 cs.AI cs.SE
HIMM: Human-Inspired Long-Term Memory Modeling for Embodied Exploration and Question Answering
The University of Hong Kong(香港大学);Beijing Institute of Technology(北京理工大学)
本文提出HIMM模型,通过分离事件记忆与语义记忆,提升具身智能在长期观察和有限上下文下的探索与问答能力,实验显示在多个基准测试中表现优异。
2026-03-02 cs.AI cs.RO
EchoPilot: Training-Free Ultrasound Video Segmentation via Scale-Space Semantic Prompting and Reliability-Gated Memory
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Third Affiliated Hospital of Sun Yat-Sen University(中山大学第三附属医院);Hong Kong Metropolitan University(香港 Metropolitan 大学)
提出EchoPilot,一种无需训练、仅需单点点击和类别名称的超声视频分割框架,通过尺度空间语义提示解决初始化歧义,并引入可靠性门控记忆减少传播漂移,在多个数据集上达到最优性能。
2026-05-25 cs.AI cs.CV
Learning a Vector-Symbolic Model for Socio-Cultural Tasks
The Pennsylvania State University(宾夕法尼亚州立大学)
该研究针对社会文化结构对决策的表征问题,在ACT-R认知架构中提出带向量符号自编码器的陈述性记忆系统,结合HRR编码,通过IAT测试验证其有效性。
2026-08-05 cs.AI cs.CL
SentenceKV: Efficient LLM Inference via Sentence-Level Semantic KV Caching
Department of Computer Science Rensselaer Polytechnic Institute(计算机科学系,罗切斯特理工学院);Department of Computer Science University of Waterloo(计算机科学系,滑铁卢大学)
针对长上下文 LLM 的 KV 缓存开销问题,提出 SentenceKV,以句子级语义向量驻留 GPU、KV 对卸载 CPU 并按需检索,实现更低内存与更稳延迟。
2025-09-29 cs.AI cs.CL cs.LG
RecMem: Recurrence-based Memory Consolidation for Efficient and Effective Long-Running LLM Agents
Department of Computer Science and Engineering, The Chinese University of Hong Kong(香港中文大学计算机科学与工程系);School of Computer Science, Beijing University of Posts and Telecommunications(北京邮电大学计算机学院);Huawei Cloud(华为云);Huawei Theory Lab(华为理论实验室);Institute for Math and AI, Wuhan University(武汉大学数学与人工智能研究院)
RecMem通过递归机制优化内存巩固,减少token消耗并提升准确性,有效解决长运行LLM代理的内存管理问题。
2026-05-15 cs.AI cs.CL cs.LG
Learning from Supervision with Semantic and Episodic Memory: A Reflective Approach to Agent Adaptation
Megagon Labs(Megagon实验室)
本文提出一种基于记忆增强的框架,利用预训练大语言模型生成的批判性反馈,通过语义和事件记忆提升智能体适应能力,实验证明其在多个任务中有效。
2026-04-30 cs.AI cs.CL cs.LG
RAVEN: Resilient Aerial Navigation via Open-Set Semantic Memory and Behavior Adaptation
Carnegie Mellon University(卡内基梅隆大学);Davidson College(戴维森学院)
提出 RAVEN 行为树框架,利用三维语义体素-射线记忆、长短程混合搜索和视觉-语言模型线索,实现非结构化户外环境中的鲁棒开集空中语义导航。
2025-09-28 cs.AI cs.CV cs.LG
From Verbatim to Gist: Distilling Pyramidal Multimodal Memory via Semantic Information Bottleneck for Long-Horizon Video Agents
Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院,清华大学);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学深圳校区);Peng Cheng Laboratory(鹏城实验室)
本文提出MM-Mem架构,通过金字塔多模态记忆压缩,结合语义信息瓶颈目标,实现长视界视频理解中的高效记忆组织与任务相关信息保留。
2026-04-21 cs.AI cs.CL cs.CV
Mandol: An Agglomerative Agent Memory System for Long-Term Conversations
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);Microsoft Research(微软研究院)
提出Mandol聚合式记忆系统,通过统一内存原生架构整合碎片化记忆,结合层次化记忆模型、聚合语义数据结构与量化查询机制,在长期对话基准上取得最佳准确率并实现5.4倍检索加速。
2026-06-29 cs.AI cs.CL cs.DB
A Machine with Short-Term, Episodic, and Semantic Memory Systems
Vrije Universiteit Amsterdam(瓦赫宁海姆大学);Technische Universiteit Delft(代尔夫特理工大学)
本文提出了一种具有短期、事件性和语义记忆系统的智能体模型,通过知识图谱实现各记忆系统的建模,并在自研环境中验证了该模型在记忆编码、存储与检索上的优势。
2026-05-17 cs.AI
Semantic-TVM: Structure-Preserving Trustworthy Virtual Memory for Memory-Augmented and Tool-Using Agents
MinJiang University(闽江学院)
针对记忆增强与工具使用智能体的隐私泄露问题,提出结构保持的可信虚拟内存(TVM),通过语义级敏感跨度替换,在保持任务效用的同时降低暴露,实验验证了其有效性。
2026-09-15 cs.AI
ProTTT: Learning to Learn Semantic User Memory with Test-Time Training
ProTTT提出档案监督的元学习框架,通过测试时训练构建语义用户记忆,压缩历史以降低推理成本,优于现有基线。
2026-09-29 cs.AI
The Tensor Brain: A Unified Theory of Perception, Memory and Semantic Decoding
LMU Munich(慕尼黑大学);Siemens(西门子)
我们提出了一个统一的计算理论的代理的感知和记忆。在我们的模型中,知觉,情景记忆,和语义记忆是通过不同的操作模式的振荡之间的相互作用的符号索引层和子符号表示层。这两个层形成双层张量网络(BTN)。虽然记忆似乎是关于过去的,但它的主要目的是支持代理人的现在和未来。最近的情景记忆为行动者提供了此时此地的感觉。远程情景记忆检索相关的过去经历,以提供有关未来可能情景的信息。这有助于代理人做出决策。“未来”情景记忆基于预期的未来事件,指导计划和行动。语义记忆检索特定的信息,这些信息不是由当前的感知传递的,并为未来的观察定义先验。我们认为,对于代理来说,对单个实体进行编码很重要,而不仅仅是类和属性。我们证明了一种形式的自监督学习可以获得新的概念和完善现有的。我们在一个标准的基准数据集上测试我们的模型,我们扩展了该数据集以包含更丰富的属性、类和个体的表示。我们的主要假设是,更好地理解感知和记忆是理解人类水平智力的关键先决条件。
2023-01-22 cs.AI
Measure Before You Manage: Evaluating Agent Working Memory in Coding Agents
Argonne National Laboratory(阿贡国家实验室);Columbia University(哥伦比亚大学);University of Houston(休斯顿大学)
本研究针对编码智能体工作记忆的语义异质性,提出两种语义感知记忆管理策略,发现校准增益难迁移、相同token预算效果不同等问题,表明评估记忆管理策略需考虑更多维度。
2026-09-01 cs.AI
HSGM: Hierarchical Segment-Graph Memory for Scalable Long-Text Semantics
Yale University(耶鲁大学);Columbia University(哥伦比亚大学);Department of Computer Science(计算机科学系);College of Engineering(工程学院)
HSGM通过将长文本分段构建局部语义图并提取摘要节点形成全局图记忆,结合增量更新和层次化查询处理,将复杂度从O(N^2)降至O(Nk+(N/k)^2),在保持95%以上基线准确率的同时实现2-4倍加速和超60%内存降低。
2025-09-17 cs.AI
Optimal Foraging in Memory Retrieval: Evaluating Random Walks and Metropolis-Hastings Sampling in Modern Semantic Spaces
MIT Department of Electrical Engineering and Computer Science(麻省理工学院电气工程与计算机科学系)
研究探讨现代语义嵌入空间中算法能否匹配人类记忆提取的最优觅食模式,发现随机游走结果符合最优觅食和边际价值定理,而Metropolis-Hastings采样则不符合,支持结构适当的嵌入结合简单采样可近似人类记忆觅食的观点。
2025-11-16 cs.AI
Trust Semantics Distillation for Collaborator Selection via Memory-Augmented Agentic AI
Western University(西方大学);University of Toronto(多伦多大学);Nanyang Technological University(南洋理工大学)
本文提出基于记忆增强代理AI的任务特定信任语义蒸馏模型,通过教师-学生架构实现高效协作者选择,提升信任评估的准确性和效率。
2025-12-22 cs.AI
Semantic XPath: Structured Agentic Memory Access for Conversational AI
University of Toronto(多伦多大学);Vector Institute of Artificial Intelligence(人工智能向量研究所)
本文提出语义XPath,一种基于树状结构的对话AI内存模块,通过提升性能和降低token消耗,为任务导向的对话系统提供新方法。
2026-03-01 cs.AI cs.CL
Decentralizing AI Memory: SHIMI, a Semantic Hierarchical Memory Index for Scalable Agent Reasoning
University of Southern California(南加州大学)
本文提出 SHIMI 语义层次记忆索引,通过概念层级建模与 Merkle-DAG、Bloom filters、CRDT 同步协议,解决去中心化环境中 AI 记忆的语义精确检索与可扩展性问题。
2025-04-08 cs.AI cs.MA
Dynamic Knowledge Graphs as Semantic Memory Model for Industrial Robots
ABB Discrete Automation and Robotics(ABB离散自动化与机器人业务部)
在本文中,我们提出了一个语义记忆模型,允许机器收集信息和经验,随着时间的推移变得更加熟练。对传感器和其他相关数据进行语义分析后,将处理后的信息存储在知识图谱中,然后使用知识图来理解以自然语言表达的工作指令。这赋予工业机器人认知行为,以确定性的方式执行所需的任务。该文件概述了该系统的架构,以及该建议的实施。
2021-05-23 cs.AI cs.RO
Temporal Memory Attention for Video Semantic Segmentation
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学)
视频语义分割需要利用视频序列帧间复杂的时间关系。以往的工作通常利用精确的光流来利用时间关系,这受到了沉重的计算成本。在本文中,我们提出了一个时间记忆注意力网络(TMANet)的自适应集成的长期时间关系的视频序列的基础上的自我注意力机制没有穷举的光流预测。特别地,我们使用过去的几帧来构建一个存储器来存储当前帧的时间信息。然后,我们提出了一个时间记忆注意模块来捕捉当前帧和记忆之间的关系,以增强当前帧的表示。我们的方法在两个具有挑战性的视频语义分割数据集上实现了新的最先进的性能,特别是在Cityscapes上的80.3% mIoU和在CamVid上的76.5% mIoU。
2021-09-13 cs.AI cs.CV
Video SemNet: Memory-Augmented Video Semantic Network
MIT Media Lab(麻省理工学院媒体实验室)
故事是一种非常引人注目的媒介,可以传达思想,经验,社会和文化价值观。叙事是故事的具体表现形式,它将故事转化为观众的知识。在本文中,我们提出了一个机器学习的方法来捕捉电影中的叙事元素,通过弥合低层次的数据表示和视觉媒体的语义方面之间的差距。我们提出了一个记忆增强的视频语义网络,称为视频SemNet,编码的语义描述符和学习嵌入的视频。该模型采用两个主要组件:(i)神经语义学习器,学习语义描述符的潜在嵌入;(ii)记忆模块,保留和记忆视频中的特定语义模式。我们在两个任务上评估从我们模型的变体中获得的视频表示:(a)流派预测和(b)IMDB评级预测。我们证明了我们的模型能够预测类型和IMDB评级,加权F-1得分分别为0.72和0.63。结果表明,我们的模型的代表性的权力和这种表示来衡量观众参与的能力。
2020-11-22 cs.AI cs.CV
Semantic-Aware Adaptive Visual Memory for Streaming Video Understanding
University of California, Merced(加州大学梅尔德分校);US Bank(美国银行);University of Queensland(昆士兰大学)
本文提出SAVEMem框架,通过语义意识增强内存生成并根据查询调整检索范围,提升流媒体视频理解的性能和内存效率。
2026-05-08 cs.AI cs.CV
Cognitive algorithms and systems of episodic memory, semantic memory and their learnings
本文探讨了情景记忆和语义记忆的认知系统及其学习机制,通过分析海马体损伤对记忆的影响,揭示记忆获取、存储和组织的神经机制。
2026-02-06 cs.AI cs.ET q-bio.NC
GENESIS: A Generative Model of Episodic-Semantic Interaction
Institute of Cognitive Sciences and Technologies, National Research Council(认知科学与技术研究所,国家研究理事会)
GENESIS模型通过整合语义和事件记忆的生成式系统,揭示了记忆作为主动、构造性和资源受限过程的原理性机制。
2026-02-18 cs.AI q-bio.NC
Memory-based Cross-modal Semantic Alignment Network for Radiology Report Generation
Shanghai University(上海大学);Shanghaitech University(上海科技大学);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所)
本文提出基于记忆的跨模态语义对齐模型MCSAM,通过长期临床记忆库、跨模态语义对齐模块和可学习记忆令牌,提升放射学报告生成的流畅性与准确性,并在MIMIC-CXR数据集上取得最优性能。
2024-03-31 cs.AI cs.CV
Understand Then Memory: A Cognitive Gist-Driven RAG Framework with Global Semantic Diffusion
CogitoRAG通过模拟人类认知记忆过程,利用语义概要提取与全局语义扩散机制,提升复杂知识整合与推理能力。
2026-03-09 cs.AI cs.CL
LifelongCrossNav: Persistent 3D Semantic Memory for Cross-Floor Multi-Object Navigation
本文提出LifelongCrossNav框架,结合持久3D语义记忆与跨楼层可通行性建模,在自研HM3D-MFMON基准上实现更优的多层顺序多目标导航性能。
2026-10-14 cs.AI cs.RO
SOccDPT: Semi-Supervised 3D Semantic Occupancy from Dense Prediction Transformers trained under memory constraints
PES University(PES大学)
提出 SOccDPT,用半监督伪标签和分块训练降低标注与内存需求,在非结构化交通数据上实现高精度、高频率的单目 3D 语义占据预测。
2023-11-19 cs.AI cs.CV
SWIFT: Prompt-Adaptive Memory for Efficient Interactive Long Video Generation
University of Science and Technology of China(中国科学技术大学);Fudan University(复旦大学);Georgia Institute of Technology(佐治亚理工学院);Shanghai Jiao Tong University(上海交通大学)
SWIFT提出一种无需训练的多提示长视频生成框架,通过轻量级语义注入缓存和自适应动态窗口实现高效语义切换,保持时间一致性,达到22.6 FPS的高效生成速度。
2026-05-10 cs.AI cs.CV
Agentic Learner with Grow-and-Refine Multimodal Semantic Memory
Nanjing University of Science and Technology(南京理工大学);Baidu Inc(百度公司);AIML, Adelaide University(AIML,阿德莱德大学);Singapore University of Technology and Design(新加坡科技设计大学)
本文提出ViLoMem框架,通过双流记忆系统整合视觉与逻辑知识,提升多模态任务表现,减少重复错误。
2026-05-02 cs.AI cs.LG
Causal Learning by a Robot with Semantic-Episodic Memory in an Aesop's Fable Experiment
University of East Anglia(东英吉利大学);University of Essex(埃塞克斯大学)
乌鸦,猿,和儿童解决乌鸦和投手的任务(从伊索寓言)表明一个因果关系的理解任务。通过与不同对象的累积交互,认知主体如何抽象出潜在的因果关系来预测新对象的启示?我们通过在机器人上重新制定伊索寓言任务来解决这个问题,并提出a)语义情景记忆的脑引导神经模型; b)四个任务不可知的学习规则,这些规则将回忆过去的情景与当前情景进行比较,以逐步提取隐藏的因果关系。随后的机器人行为说明了因果学习;对新对象的预测收敛到阿基米德原理,独立于学习过程中探索的对象及其累积探索的顺序。
2020-02-29 cs.AI cs.RO
Compositional Distributional Semantics with Long Short Term Memory
Institute for Logic, Language and Computation(逻辑、语言与计算研究所);University of Amsterdam(阿姆斯特丹大学)
我们提出了一个扩展的递归神经网络,利用一个变种的长短期记忆架构。该扩展允许将解析树中较低的信息存储在存储器寄存器(“存储单元”)中,并在解析树中更高的位置稍后使用。这为消失梯度问题提供了解决方案,并允许网络捕获长范围依赖性。实验结果表明,我们的组合优于传统的神经网络组成斯坦福情绪树库。
2015-04-17 cs.AI cs.CL cs.LG
Semantic Commit: Helping Users Update Intent Specifications for AI Memory at Scale
Harvard University(哈佛大学);Université de Montréal(蒙特利尔大学);Adobe Inc.(奥多比公司);Polytechnique Montréal(蒙特利尔理工学院)
针对用户意图变化时AI记忆更新问题,受软件工程影响分析启发,提出SemanticCommit界面与方法,通过语义提交协助检测解决意图规范语义冲突,经用户研究验证其有效性并为AI界面设计提供方向。
2025-04-12 cs.AI cs.HC
Shallow Features Matter: Hierarchical Memory with Heterogeneous Interaction for Unsupervised Video Object Segmentation
Shanghai Key Lab of Intelligent Information Processing, College of Computer Science and Artificial Intelligence, Fudan University(上海智能信息处理重点实验室,计算机科学与人工智能学院,复旦大学);The School of Computer Engineering and Science, Shanghai University(上海大学计算机工程与科学学院)
针对现有无监督视频对象分割记忆机制过度依赖高层语义特征导致性能提升有限的问题,提出融合深浅层特征的分层记忆架构与异构交互机制,在多基准上实现了最先进性能且鲁棒性强。
2025-07-30 cs.AI cs.CV
MemoriesDB: A Temporal-Semantic-Relational Database for Long-Term Agent Memory / Modeling Experience as a Graph of Temporal-Semantic Surfaces
CircleClick Labs(CircleClick实验室)
本文提出MemoriesDB,将长期智能体记忆建模为时间-语义-关系实体,在PostgreSQL与pgvector上统一时间序列、向量和图能力,以时间-语义曲面图支持高效检索与推理。
2025-11-09 cs.AI cs.DB cs.IR
The Price of Meaning: Why Every Semantic Memory System Forgets
Sentra;Massachusetts Institute of Technology(麻省理工学院)
本文研究了语义记忆系统中意义与遗忘的权衡,证明了语义连续核阈值记忆系统中干扰和遗忘不可避免,通过四个结果揭示了语义表示的有效秩、局部维度、记忆增长对保留的影响以及联想诱饵的虚假回忆无法消除。
2026-03-28 cs.AI cs.IR cs.NE
The Tensor Memory Hypothesis
Siemens AG(西门子公司);Ludwig Maximilian University of Munich(慕尼黑大学)
我们讨论的记忆模型是基于张量分解使用潜在的实体和事件的表示。我们将展示如何实现情景记忆和语义记忆,并讨论如何从感官输入产生新的记忆痕迹:现有的记忆是感知的基础,通过感知产生新的记忆。我们将我们的数学方法与海马记忆索引理论联系起来。我们描述了第一个详细的数学模型,用于从感觉输入及其语义解码的完整处理管道,即,知觉,情节记忆和语义记忆的形成及其陈述性语义解码。我们的主要假设是,知觉包括一个积极的语义解码过程,它依赖于实体和谓词的潜在表征,情节记忆和语义记忆依赖于相同的解码过程。我们有助于领先的记忆巩固理论之间的辩论,即,标准固结理论(SCT)和多道理论(MTT)。后者与互补学习系统(CLS)框架密切相关。特别是,我们明确地表明,情景记忆可以教新皮层形成一个语义记忆,这是一个核心问题,在MTT和CLS。
2017-08-28 cs.AI cs.LG q-bio.NC
Memory-guided Network with Uncertainty-based Feature Augmentation for Few-shot Semantic Segmentation
King’s College London(伦敦国王学院);College of Electronic and Information Engineering Tongji University(同济大学电子与信息工程学院)
本文针对少样本语义分割中基类与新类分布偏移及类内方差问题,提出类共享记忆模块和基于不确定性的特征增强模块,在PASCAL-5^i和COCO-20^i上取得领先性能。
2024-06-09 cs.AI cs.CV
ES-Mem: Event Segmentation-Based Memory for Long-Term Dialogue Agents
College of Computer Science, Chongqing University(重庆大学计算机科学学院);Tsinghua University(清华大学);Hong Kong Generative AI Research & Development Center, HKUST(香港科技大学生成式人工智能研究与开发中心);Aerospace Information Research Institute, Chinese Academy of Sciences(中国科学院航空航天信息研究所);School of Computer Science and Technology, Tiangong University(天津理工大学计算机科学与技术学院)
ES-Mem通过动态事件分割和分层记忆架构,提升长期对话代理的记忆效率和上下文定位能力。
2026-01-13 cs.AI cs.CL
Wave-Based Semantic Memory with Resonance-Based Retrieval: A Phase-Aware Alternative to Vector Embedding Stores
Independent Researcher(独立研究者)
针对传统向量记忆无法捕捉相位与共振的局限,提出将知识建模为波模式并通过共振干涉检索的Wave-Based Semantic Memory框架,在相位偏移等场景下判别力更高,且ResonanceDB实现毫秒级延迟与百万级扩展。
2025-08-21 cs.AI cs.DB cs.IR
Learning with Memory Embeddings
Siemens AG(西门子股份公司);Ludwig Maximilian University of Munich(慕尼黑大学)
嵌入式学习,又名表示学习已经被证明能够对大规模语义知识图谱进行建模。一个关键概念是将知识图谱映射到张量表示,张量表示的条目由使用广义实体的潜在表示的模型预测。潜变量模型非常适合处理典型知识图谱的高维性和稀疏性。在最近的出版物中,嵌入模型被扩展到也考虑时间演化,时间模式和子符号表示。在本文中,我们映射嵌入模型,这纯粹是为了解决建模时间知识图谱的技术问题,各种认知记忆功能,特别是语义和概念记忆,情景记忆,感觉记忆,短期记忆和工作记忆。我们讨论了学习,询问回答,从感官输入到语义解码的路径,以及情景记忆和语义记忆之间的关系。我们介绍了一些假设,人类的记忆,可以来自发达的数学模型。
2016-05-07 cs.AI cs.CL cs.LG
Improved Semantic Representations From Tree-Structured Long Short-Term Memory Networks
Stanford University(斯坦福大学);MetaMind Inc.(MetaMind公司)
由于其随时间推移保留序列信息的卓越能力,长短期记忆(LSTM)网络(一种具有更复杂计算单元的递归神经网络)在各种序列建模任务上获得了很好的结果。到目前为止,我们唯一探索过的LSTM底层结构是线性链。然而,自然语言表现出自然地将单词组合成短语的句法属性。我们介绍了Tree-LSTM,这是LSTM对树结构网络拓扑的推广。Tree-LSTM在两个任务上优于所有现有系统和强大的LSTM基线:预测两个句子的语义相关性(SemEval 2014,任务1)和情感分类(斯坦福情感树库)。
2015-05-30 cs.AI cs.CL cs.LG
MemOVCD: Training-Free Open-Vocabulary Change Detection via Cross-Temporal Memory Reasoning and Global-Local Adaptive Rectification
School of Information and Communications Engineering, Xi’an Jiaotong University(西安交通大学信息与通信工程学院)
MemOVCD通过跨时间记忆推理和全局局部自适应校正,解决开放词汇变化检测中时间耦合不足和局部碎片化问题,验证了其在多基准上的有效性。
2026-04-29 cs.AI cs.CV
A Style and Semantic Memory Mechanism for Domain Generalization
University of Science and Technology of China(中国科学技术大学);JD AI Research(京东人工智能研究院)
主流的领域泛化算法倾向于优先考虑跨领域语义不变性的假设。与此同时,固有的域内风格不变性通常被低估和搁置。在本文中,我们发现,利用域内风格不变性也是至关重要的,在提高领域泛化的效率。我们验证了这是至关重要的网络是什么领域的特征是不变的,并在实例之间共享的信息,使网络锐化其理解,提高其语义判别能力。相应地,我们还提出了一种新的“陪审团”机制,这是特别有效的学习领域之间有用的语义特征的共性。我们的完整模型STEAM可以被解释为一种新的概率图模型,其实现需要两种存储体的方便的构造:语义特征库和风格特征库。实证结果表明,我们提出的框架超越了国家的最先进的方法明显的利润率。
2021-12-14 cs.AI cs.CV cs.LG
Semantic Role Labeling with Associated Memory Network
Shanghai Jiao Tong University(上海交通大学)
语义角色标注是一个识别句子中所有谓词-论元对的任务,在一系列最新的工作提出后,该任务一直处于性能提升的瓶颈。本文提出了一种新的句法不可知的SRL模型增强建议的关联记忆网络(AMN),它利用标记已知的关联句子的句间注意力作为一种记忆,以进一步增强依赖性为基础的SRL。具体来说,我们使用来自训练数据集的句子及其标签作为关联记忆线索来帮助标记目标句子。此外,我们还比较了AMN中的几种关联句选择策略和标签合并方法,以便在关注关联句的同时发现和利用关联句的标签。通过利用已知训练数据的注意记忆,我们的完整模型在CoNLL-2009基准数据集上达到了最先进的语法不可知设置,显示了一种新的有效的SRL增强研究路线,而不是利用外部资源,如预先训练好的语言模型。
2019-08-05 cs.AI cs.CL cs.LG
SwiftMem: Fast Agentic Memory via Query-aware Indexing
Huawei, Hong Kong(华为(香港))
SwiftMem通过查询感知索引实现快速代理记忆,提升检索效率并降低延迟,适用于实际部署的内存增强LLM代理。
2026-07-27 cs.AI cs.CL
A Growing Long-term Episodic & Semantic Memory
Google Research(谷歌研究院)
大多数联结主义系统的长期记忆完全取决于系统的权重。由于权重的数量通常是固定的,这限制了可以学习和存储的知识总量。虽然这对于为特定任务设计的神经网络来说通常不是问题,但是对于在开放范围的域上持续学习的系统来说,这样的界限是不期望的。为了解决这个问题,我们描述了一个终身学习系统,利用一个快速的,但不可微的,内容可寻址的内存,可以利用编码的历史悠久的连续情节知识和语义知识在许多事件的一个无限数量的域。这为迁移学习的研究打开了大门,并将在一生的经验中学到的先验知识利用到新的领域。
2016-10-20 cs.AI cs.LG cs.NE