다중 참여자 대화에서 발언자 중심의 이중 메모리 시스템 제안
원제 SpeakerMem-R1: Speaker-Centered Dual-Track Memory for Multi-Party Dialogue
추천 76댓글 3
Key Point
기존 LLM이 실패하는 장기 다중 대화에서 발언자와 관계 정보를 정확히 추적하는 방식이 구체적으로 제시되었으며, 실제 벤치마크에서 최고 성능을 입증했습니다.
핵심 요약
- 다중 참여자 대화에서 누가 무엇을 말했는지, 발언 간의 관계를 추적하는 것이 기존 LLM 메모리 시스템의 핵심 한계입니다.
- SpeakerMem-R1은 발언자 표시가 된 원문 메시지와 개인/그룹 수준의 상태를 별도로 저장하는 이중 추적 메모리를 구현합니다.
- 쿼리 시점에 사람, 사건, 시간을 기준으로 두 트랙의 정보를 결합하여 장기 대화 상태를 재구성합니다.
- Writer-R1을 SpeakerLevenshtein과 조건부 GRPO로 학습시켜 작은 모델로도 로컬에 배포 가능하도록 했습니다.
- GroupMemBench에서 47.9%, SocialMemBench에서 69.2%, EverMemBench에서 61.9% 정확도를 달성했으며, EverMemBench 리더보드에서 62.33%로 최고 성능을 기록했습니다.
- 강화학습을 통해 기존 감독 학습 모델의 정확도(57.38%)를 68.20%까지 향상시켰습니다.