FadeMem: 효율적인 에이전트 메모리를 위한 생물학적 영감 기반의 망각 기법

FadeMem: Biologically-Inspired Forgetting for Efficient Agent Memory

자율 에이전트로 활용되는 대규모 언어 모델(LLM)은 선별적 망각 메커니즘의 부재로 인해 컨텍스트 경계에서의 치명적 망각(catastrophic forgetting)이나 정보 과부하가 발생하는 등 심각한 메모리 한계에 직면해 있습니다. 인간의 기억은 적응형 감쇠 과정을 통해 기억의 유지와 망각의 균형을 자연스럽게 조절하는 반면, 기존 AI 시스템은 모든 정보를 보존하거나 완전히 잃어버리는 이분법적인 유지 전략을 취합니다. 이에 본 논문에서는 인간의 인지 효율성을 모방한 능동적 망각 메커니즘을 도입한 생물학적 영감 기반의 에이전트 메모리 아키텍처인 FadeMem을 제안합니다. FadeMem은 이중 계층 메모리 구조 전반에 걸쳐 차등적인 감쇠율을 적용하며, 기억의 유지는 의미적 관련성, 접근 빈도, 시간적 패턴에 의해 조절되는 적응형 지수 감쇠 함수에 따라 결정됩니다. 또한 LLM 기반의 충돌 해결 및 지능형 메모리 융합을 통해 관련 정보는 통합하고 불필요한 세부 사항은 자연스럽게 소멸되도록 합니다. Multi-Session Chat, LoCoMo, LTI-Bench를 이용한 실험 결과, FadeMem은 저장 공간을 45% 절감하면서도 뛰어난 멀티 홉(multi-hop) 추론 및 검색 성능을 보여주었으며, 이는 에이전트 메모리 시스템에서 생물학적 영감에 기반한 망각 기법의 효용성을 입증합니다.

Large language models deployed as autonomous agents face critical memory limitations, lacking selective forgetting mechanisms that lead to either catastrophic forgetting at context boundaries or information overload within them. While human memory naturally balances retention and forgetting through adaptive decay processes, current AI systems employ binary retention strategies that preserve everything or lose it entirely. We propose FadeMem, a biologically-inspired agent memory architecture that incorporates active forgetting mechanisms mirroring human cognitive efficiency. FadeMem implements differential decay rates across a dual-layer memory hierarchy, where retention is governed by adaptive exponential decay functions modulated by semantic relevance, access frequency, and temporal patterns. Through LLM-guided conflict resolution and intelligent memory fusion, our system consolidates related information while allowing irrelevant details to fade. Experiments on Multi-Session Chat, LoCoMo, and LTI-Bench demonstrate superior multi-hop reasoning and retrieval with 45\% storage reduction, validating the effectiveness of biologically-inspired forgetting in agent memory systems.