FSFM: 에이전트 메모리의 선택적 망각을 위한 생물학적 영감 기반 프레임워크

FSFM: A Biologically-Inspired Framework for Selective Forgetting of Agent Memory

LLM 에이전트의 경우, 메모리 관리는 효율성, 품질 및 보안에 결정적인 영향을 미칩니다. 많은 연구가 정보 저장에 초점을 맞추는 반면, 인간의 인지 과정(해마 인덱싱/강화 이론 및 에빙하우스 망각 곡선)에서 영감을 받은 선택적 망각은 상대적으로 덜 연구되었습니다. 우리는 자원 제약 환경에서 잘 설계된 망각 메커니즘이 기억만큼 중요하며, 세 가지 측면에서 이점을 제공한다고 주장합니다. (1) 지능적인 메모리 정리 작업을 통한 효율성 향상, (2) 오래된 선호도와 컨텍스트를 동적으로 업데이트하여 품질 향상, (3) 악성 입력, 민감한 데이터 및 개인 정보 침해 콘텐츠를 적극적으로 망각하여 보안 강화. 본 프레임워크는 수동적인 감쇠 기반, 능동적인 삭제 기반, 안전 트리거 기반, 그리고 적응적인 강화 학습 기반의 망각 메커니즘 분류 체계를 제시합니다. LLM 에이전트 아키텍처 및 벡터 데이터베이스의 발전을 바탕으로, 상세한 사양, 구현 전략, 그리고 통제된 실험을 통한 실증적 검증 결과를 제시합니다. 결과는 상당한 개선을 보여줍니다: 접근 효율성 (+8.49%), 콘텐츠 품질 (+29.2% 신호 대 잡음 비율), 그리고 보안 성능 (보안 위험의 100% 제거). 본 연구는 인지 신경과학과 AI 시스템을 연결하여, 실제 배포를 위한 실용적인 솔루션을 제공하며, 윤리적 및 규제 준수를 고려합니다. 본 논문은 도전 과제와 향후 연구 방향을 제시하며, 선택적 망각을 차세대 LLM 에이전트의 핵심 기능으로 확립하고자 합니다. 본 연구의 기여는 AI 기반 메모리 시스템 및 책임감 있는 AI 개발에 부합합니다.

For LLM agents, memory management critically impacts efficiency, quality, and security. While much research focuses on retention, selective forgetting--inspired by human cognitive processes (hippocampal indexing/consolidation theory and Ebbinghaus forgetting curve)--remains underexplored. We argue that in resource-constrained environments, a well-designed forgetting mechanism is as crucial as remembering, delivering benefits across three dimensions: (1) efficiency via intelligent memory pruning, (2) quality by dynamically updating outdated preferences and context, and (3) security through active forgetting of malicious inputs, sensitive data, and privacy-compromising content. Our framework establishes a taxonomy of forgetting mechanisms: passive decay-based, active deletion-based, safety-triggered, and adaptive reinforcement-based. Building on advances in LLM agent architectures and vector databases, we present detailed specifications, implementation strategies, and empirical validation from controlled experiments. Results show significant improvements: access efficiency (+8.49%), content quality (+29.2% signal-to-noise ratio), and security performance (100% elimination of security risks). Our work bridges cognitive neuroscience and AI systems, offering practical solutions for real-world deployment while addressing ethical and regulatory compliance. The paper concludes with challenges and future directions, establishing selective forgetting as a fundamental capability for next-generation LLM agents operating in real-world, resource-constrained scenarios. Our contributions align with AI-native memory systems and responsible AI development.