PreCoMem: memoria cognitiva predittiva per agenti di dialogo a lungo termine capaci di evolversi autonomamente

Abstract degli autori

Gli agenti di dialogo a lungo termine devono conservare ricordi dell’utente abbastanza stabili da consentire la personalizzazione, ma anche adattarsi quando l’utente cambia davvero. I sistemi di memoria esistenti spesso aggiungono ogni osservazione o sovrascrivono le voci precedenti in base a regole euristiche, rendendo difficile distinguere il rumore transitorio dai cambiamenti reali nelle convinzioni. Presentiamo PreCoMem, un framework di consolidamento della memoria ispirato alla codifica predittiva, che rappresenta la memoria come un insieme di convinzioni sullo stato dell’utente ponderate in base al grado di fiducia. Il suo segnale principale, Effective Surprisal, combina la deviazione semantica con gli elementi che indicano una contraddizione, riducendo poi il peso del segnale quando il recupero delle informazioni è dispersivo e inaffidabile. In base a Effective Surprisal, un meccanismo a due soglie associa ogni turno a uno di tre aggiornamenti deterministici: MAINTAIN rafforza le convinzioni corroborate, PROFILE conserva gli indizi ambigui come ipotesi a bassa affidabilità e CORRECT riduce gradualmente il peso dei fatti contraddetti da elementi attendibili. La fase PROFILE funge da esplicita area di attesa, evitando che elementi rumorosi vengano acquisiti prematuramente come certezze. Gli esperimenti su LoCoMo, LongMemEval-S e PersonaMem-v2 mostrano una precisione costantemente ai vertici dello stato dell’arte; il nostro nuovo DiMoBench conferma che PreCoMem si adatta ai cambiamenti non stazionari delle convinzioni senza reagire eccessivamente al rumore. Il codice è disponibile all’indirizzo https://github.com/ZhongWishing/PreCoMem.