뒤로 스크롤하지 마라: 스트리밍 대화 요약을 위한 누락 증거 메모리

초록

현대 플랫폼의 사용자들은 최근 대화의 요약을 반복적으로 필요로 하지만, 대화 윈도우에는 이를 단독으로 해석하기에 충분한 맥락이 포함되어 있는 경우가 드물다. 우리는 이러한 설정을 스트리밍 대화 요약(streaming dialogue summarization)으로 공식화한다. 여기서 시스템은 고정 예산(fixed budget) 하에서 무한한 이력(unbounded history)으로부터의 선택적 메모리를 활용하여 현재 윈도우를 요약해야 한다. 우리는 핵심 과제가 접근하는 이력의 양이 아니라, 메모리가 현재 윈도우가 전제하는 증거를 복구할 수 있는지 여부에 있음을 보여준다. 우리는 메모리가 간극 해소 증거(gap-resolving evidence)를 포함하는지와 생성된 요약이 이를 반영하는지를 각각 평가하는 벤치마크와 평가 프로토콜을 구축한다. 또한, 미해결 윈도우 의존성에 검색을 조건화하고 고정 예산 하에서 검색된 청크(chunk)를 증거 밀집 메모리로 정제하는 누락 증거 메모리 프레임워크인 ReMEMBER를 제안한다. 최대 160K 토큰의 이력을 가진 대화에 대한 실험 결과, ReMEMBER는 동일한 예산 하에서 메모리 구축 베이스라인 대비 메모리 재현과 간극 해소 완전성을 향상시키는 것으로 나타났다.

English

Users of modern platforms repeatedly need summaries of recent dialogue, but the window rarely contains enough context to be interpreted on its own. We formalize this setting as streaming dialogue summarization, where a system must summarize a current window using selective memory from an unbounded history under a fixed budget. We show that the central challenge is not how much history is accessed, but whether memory recovers the evidence that the current window presupposes. We construct a benchmark and evaluation protocol that separately assesses whether memory contains gap-resolving evidence and whether the generated summary reflects it. We propose ReMEMBER, a missing-evidence memory framework that conditions retrieval on unresolved window dependencies and refines retrieved chunks into evidence-dense memory under a fixed budget. Experiments on dialogues with histories up to 160K tokens show that ReMEMBER improves memory recall and gap-resolution completeness over memory construction baselines under the same budget.