Adaptive Decay: Autodiscovery of Non-Uniform Forgetting in Knowledge Graphs — arXiv:2604.26970

论文信息¶

现有知识图谱检索系统将所有事实视为同等时效性，应用均匀衰减曲线（uniform decay）处理时间信息。本文指出这一方法根本性错误：不同类型的知识表现出不同的时间动态特性，核心检索问题不是延迟或吞吐量，而是识别查询时什么知识是重要的。

本文提出层级框架，用连续衰减表面（continuous decay surface）替代均匀衰减，由两个正交信号参数化： - Velocity（速率）：概念被观察到的频率 - Volatility（波动性）：观测值之间的变化程度（通过嵌入距离测量）

衰减表面分解为三个可学习层级： 1. Domain-level：捕捉通用模式（某些谓词天生永久，某些天生短暂） 2. Context-level：捕捉设置依赖的变化 3. Entity-level：针对特定主体个性化衰减

所有参数从数据中通过生存分析（survival analysis）涌现，无需预定义分类体系或领域专业知识。

层次衰减表面：将均匀衰减替换为 velocity-volatility 参数化的连续衰减表面
生存分析方法：将边生命周期形式化为生存问题，事件为值替代（supersession），而非简单重观测
Lindy 效应验证：velocity-volatility 聚类自然涌现，并与 Lindy 效应（Weibull shape k < 1）近乎普遍对齐
实验验证：合成时序知识图谱（HDBSCAN ARI = 1.0）、107 篇维基百科文章、1,163 条患者记录

现有知识图谱系统（如 RAG 架构中的知识存储）假设所有事实以相同速度过时，导致： - 频繁变化的知识（新闻、股价）被低频更新 - 永久性知识（物理定律、历史事件）被不当过期

本文通过自适应衰减使知识图谱能够： - 自动识别哪些知识是"永久性"的（Lindy 效应） - 根据观察到的变化模式动态调整衰减速率 - 在检索时优先返回更可能准确的知识

移动端 Agent 常面临知识快速过时的场景（位置信息、偏好变化、应用状态）。自适应衰减使端侧知识库能够： - 根据使用频率自动调整知识重要性 - 减少过时知识的干扰 - 在有限存储中优先保留高价值记忆

（参考文献待从原文补充）