FadeMem: 생물학적 영감을 받은 망각 기법을 활용한 효율적인 에이전트 메모리

FadeMem: Biologically-Inspired Forgetting for Efficient Agent Memory

자율 에이전트로 사용되는 대규모 언어 모델(LLM)은 심각한 메모리 제한에 직면하며, 선택적인 망각 메커니즘이 부족하여 컨텍스트 경계에서 재앙적인 망각 현상이 발생하거나, 내부에서 정보 과부하가 발생하는 문제가 있습니다. 반면, 인간의 기억은 적응적인 감쇠 과정을 통해 저장과 망각의 균형을 맞춥니다. 현재의 AI 시스템은 모든 정보를 보존하거나 완전히 삭제하는 이분법적인 저장 전략을 사용합니다. 본 연구에서는 인간의 인지 효율성을 모방한 능동적인 망각 메커니즘을 통합한 생물학적 영감을 받은 에이전트 메모리 아키텍처인 FadeMem을 제안합니다. FadeMem은 이중 계층 메모리 구조에서 의미적 관련성, 접근 빈도, 시간 패턴에 의해 조절되는 적응적 지수 감쇠 함수를 통해 저장 여부를 결정합니다. LLM 기반의 충돌 해결 및 지능적인 메모리 융합을 통해 관련 정보를 통합하고, 관련 없는 세부 정보는 점진적으로 사라지도록 설계되었습니다. Multi-Session Chat, LoCoMo, LTI-Bench 데이터셋에 대한 실험 결과, FadeMem은 45%의 저장 공간 감소와 함께 우수한 다중 단계 추론 및 검색 성능을 보여주었으며, 이는 에이전트 메모리 시스템에서 생물학적 영감을 받은 망각 기법의 효과를 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.