arXiv cs.AI· Jian Zhong, Zeyu Liu, Pingchuan Cao, Rongduo Han, Shunye Tang, Guohuan Xie, Mingyuan Qin, Ran Ji, Xiao Liang, Wei Wang, Haining Zhang·· 12 小时前AI 评分38
PreCoMem：面向自进化长期对话智能体的预测式认知记忆框架
PreCoMem: Predictive Cognitive Memory for Self-Evolving Long-Term Dialogue Agents
AI 导读
PreCoMem 是一个受预测编码启发的记忆整合框架，将记忆表示为对用户状态的置信度加权信念，核心信号 Effective Surprisal 结合语义偏差与矛盾证据，并在检索分散时降低其权重。
正文 · AI 翻译
作者：Jian Zhong、Zeyu Liu、Pingchuan Cao、Rongduo Han、Shunye Tang、Guohuan Xie、Mingyuan Qin、Ran Ji、Xiao Liang、Wei Wang、Haining Zhang
摘要：长程对话智能体需要让用户记忆足够稳定以实现个性化，同时在用户真正发生变化时进行适应。现有记忆系统往往追加每一条观察，或按启发式规则覆盖旧条目，这使得瞬时噪声难以与真实的信念漂移区分开来。我们提出 PreCoMem，一个受预测编码启发的记忆巩固框架，它将记忆表示为关于用户状态的置信度加权信念。其核心信号“有效惊奇”（Effective Surprisal）结合语义偏离与矛盾证据，并在检索分散且不可靠时对该信号降权。依据有效惊奇，一个双阈值门控将每一轮对话映射为三种确定性更新之一：MAINTAIN 强化有支持的信念，PROFILE 将模糊线索存储为低置信度假设，CORRECT 对可靠地被反驳的事实进行软衰减。PROFILE 阶段充当显式的候诊室，防止过早采信噪声证据。在 LoCoMo、LongMemEval-S 和 PersonaMem-v2 上的实验显示出一致的当前最优准确率；我们新提出的 DiMoBench 证实 PreCoMem 能适应非平稳的信念漂移，而不会对噪声过度反应。代码见 此 https URL。
| 评论： | 已被 NeurIPS 2026 接收 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.29467 [cs.AI] |
| （或 arXiv:2610.29467v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.29467 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Jian Zhong [查看邮箱]
[v1]
2026年10月21日星期三 09:21:33 UTC（3,902 KB）
来源：arXiv cs.AI · arxiv.org