RoMem: Time is Not a Label — Continuous Phase Rotation for Temporal Knowledge Graphs and Agentic Memory¶
论文基本信息¶
- 作者: Yi Li, et al.
- arXiv: https://arxiv.org/abs/2604.11544
- 领域: cs.AI, cs.KG
摘要¶
结构化记忆表示（如知识图谱）是自主 Agent 和其他长寿系统的核心。但现有方法将时间建模为离散元数据——按时间排序（埋没旧有永久知识）、直接覆盖过时事实，或在每次摄入时调用昂贵的 LLM——无法区分持久事实和演化事实。RoMem 引入连续相位旋转（continuous phase rotation），将时间引入几何向量空间。通过预训练的语义速度门控（Semantic Speed Gate）映射每个关系文本嵌入到波动性分数，学习哪些关系应该快速旋转（如"president of"），哪些应该保持稳定（如"born in"）。结合连续相位旋转，过时事实在复杂向量空间中旋转出相位，使时间正确的事实自然排名高于矛盾。新事实无需显式删除旧事实。在时序知识图谱补全上，RoMem 在 ICEWS05-15 上达到 72.6 MRR。
核心贡献¶
- Continuous Phase Rotation: 将时间建模为连续相位旋转，而非离散元数据
- Semantic Speed Gate: 预训练网络学习每个关系类型的波动性
- Geometric Shadowing: 几何阴影机制使过时事实在向量空间中自动淡出
- No Explicit Deletion: 新事实无需显式删除旧事实，通过相位分离实现
- State-of-the-art: 时序 KG 补全在 ICEWS05-15 上达到 72.6 MRR
研究背景与问题¶
现有知识图谱和时间建模方法将时间当作标签或过滤器，无法捕捉事实的时间演化本质。Agent 记忆中的"zombie memories"（过时但未被删除的事实）是一个核心挑战。
核心方法¶
- Temporal Knowledge Graph Module: 可插入式时序 KG 模块
- Semantic Speed Gate: 预训练网络预测每个关系类型的波动性分数
- Phase Rotation: 在复数向量空间中执行连续相位旋转
- Geometric Shadowing: 过时事实旋转出有效相位范围
- Agentic Memory Integration: 与 Agent 记忆系统无缝集成
为什么重要¶
RoMem 为 Agent 记忆系统提供了一种优雅的时间建模机制。过时事实通过几何机制自然"淡出"，而非通过显式删除。这对构建长期运行的 Agent 记忆系统有重要价值。
与移动端/端侧相关性¶
- 可插入模块: RoMem 是可插入 Agent 记忆系统的模块，适合端侧部署
- 无需显式遗忘: 几何机制自动处理过时信息，降低端侧管理复杂度
- 资源高效: 不需要 LLM 调用，时序推理在向量空间高效执行
- 时序推理: 对需要时间推理的移动端 Agent（如日程、位置历史）有直接价值