시간은 단순히 레이블이 아니다: 시계열 지식 그래프 및 에이전트 메모리를 위한 연속 위상 회전

Time is Not a Label: Continuous Phase Rotation for Temporal Knowledge Graphs and Agentic Memory

지식 그래프와 같은 구조화된 메모리 표현은 자율 에이전트 및 기타 장기 시스템의 핵심입니다. 그러나 대부분의 기존 접근 방식은 시간을 이산적인 메타데이터로 모델링합니다. 이는 최근성을 기준으로 정렬하여 오래되었지만 영구적인 지식을 묻어버리거나, 오래된 사실을 단순히 덮어쓰거나, 모든 데이터 입력 단계에서 비용이 많이 드는 LLM 호출을 요구하여, 영구적인 사실과 변화하는 사실을 구별할 수 없게 만듭니다. 이러한 문제를 해결하기 위해, 구조화된 메모리 시스템에 적용 가능하며, 에이전트 메모리 및 그 이상에 적용될 수 있는 시계열 지식 그래프 모듈인 RoMem을 소개합니다. 사전 훈련된 Semantic Speed Gate는 각 관계의 텍스트 임베딩을 휘발성 점수로 매핑하며, 데이터로부터 학습하여 변화하는 관계(예: "대통령")는 빠르게 회전해야 하고, 영구적인 관계(예: "출생")는 안정적으로 유지되어야 한다는 것을 학습합니다. 연속 위상 회전을 결합하면 기하학적 그림자 효과를 얻을 수 있습니다. 즉, 더 이상 유효하지 않은 사실은 복잡한 벡터 공간에서 위상이 변경되어, 시간적으로 정확한 사실이 삭제 없이 자연스럽게 모순을 능가합니다. 시계열 지식 그래프 완성 작업에서 RoMem은 ICEWS05-15 데이터셋에서 최고 수준의 결과를 달성했습니다 (72.6 MRR). 에이전트 메모리에 적용했을 때, RoMem은 시계열 추론 (MultiTQ)에서 2~3배 향상된 MRR 및 답변 정확도를 제공하고, 하이브리드 벤치마크 (LoCoMo)에서 우수한 성능을 보이며, 정적 메모리를 0%의 성능 저하로 유지합니다 (DMR-MSC), 그리고 새로운 금융 도메인 (FinTMMBench)에서 제로샷 일반화가 가능합니다.

Structured memory representations such as knowledge graphs are central to autonomous agents and other long-lived systems. However, most existing approaches model time as discrete metadata, either sorting by recency (burying old-yet-permanent knowledge), simply overwriting outdated facts, or requiring an expensive LLM call at every ingestion step, leaving them unable to distinguish persistent facts from evolving ones. To address this, we introduce RoMem, a drop-in temporal knowledge graph module for structured memory systems, applicable to agentic memory and beyond. A pretrained Semantic Speed Gate maps each relation's text embedding to a volatility score, learning from data that evolving relations (e.g., "president of") should rotate fast while persistent ones (e.g., "born in") should remain stable. Combined with continuous phase rotation, this enables geometric shadowing: obsolete facts are rotated out of phase in complex vector space, so temporally correct facts naturally outrank contradictions without deletion. On temporal knowledge graph completion, RoMem achieves state-of-the-art results on ICEWS05-15 (72.6 MRR). Applied to agentic memory, it delivers 2-3x MRR and answer accuracy on temporal reasoning (MultiTQ), dominates hybrid benchmark (LoCoMo), preserves static memory with zero degradation (DMR-MSC), and generalises zero-shot to unseen financial domains (FinTMMBench).