Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Nemori: Agente autoorganizador de la memoria inspirado en la ciencia cognitiva

Created by
  • Haebom

Autor

Jiayan Nan, Wenquan Ma, Wenlong Wu, Yize Chen

Describir

Este artículo presenta Nemori, una novedosa arquitectura de memoria autoorganizada basada en principios cognitivos humanos, para abordar las limitaciones inherentes de los modelos lingüísticos a gran escala (LLM) como agentes autónomos en interacciones a largo plazo, lo cual limita su eficacia. Nemori aborda el problema del tamaño de la memoria organizando de forma autónoma los flujos conversacionales en episodios semánticamente coherentes mediante el Principio de Alineación en Dos Pasos, inspirado en la teoría de segmentación de eventos. Además, el Principio de Predicción-Calibración, inspirado en los principios de energía libre, permite la generación de conocimiento adaptativo más allá de las heurísticas predefinidas basadas en diferencias de predicción. Amplios experimentos con los benchmarks LoCoMo y LongMemEval demuestran que Nemori supera significativamente a los sistemas de vanguardia existentes, especialmente en contextos a largo plazo.

Takeaways, Limitations

•
Takeaways:
◦
Presentamos Nemori, una novedosa arquitectura de memoria autoorganizada basada en principios cognitivos humanos.
◦
Organización y gestión de la memoria episódica semánticamente consistente a través del principio de alineación de dos pasos.
◦
Evolución del conocimiento adaptativo y aprendizaje basado en errores de predicción a través del principio de predicción-calibración.
◦
Mejoras de rendimiento con respecto a los sistemas de última generación existentes en los puntos de referencia LoCoMo y LongMemEval, particularmente en tareas de memoria a largo plazo.
◦
Presentamos un método factible para el procesamiento de flujo de trabajo dinámico a largo plazo por parte de agentes autónomos.
•
Limitations:
◦
Las mejoras de rendimiento de Nemori pueden estar limitadas a puntos de referencia específicos.
◦
Es necesario verificar el rendimiento de la generalización para situaciones complejas y diversas del mundo real.
◦
Se necesita más investigación sobre la generalización y escalabilidad del principio de alineación de dos pasos y el principio de predicción-calibración.
◦
Se requiere análisis y optimización del costo computacional y del consumo de memoria.
👍
Made with Slashpage