Zeit ist kein Etikett: Kontinuierliche Phasenrotation für zeitliche Wissensgraphen und agentisches Gedächtnis
Time is Not a Label: Continuous Phase Rotation for Temporal Knowledge Graphs and Agentic Memory
April 13, 2026
Autoren: Weixian Waylon Li, Jiaxin Zhang, Xianan Jim Yang, Tiejun Ma, Yiwen Guo
cs.AI
Zusammenfassung
Strukturierte Gedächtnisrepräsentationen wie Wissensgraphen sind zentral für autonome Agenten und andere langlebige Systeme. Die meisten bestehenden Ansätze modellieren Zeit jedoch als diskrete Metadaten, indem sie entweder nach Aktualität sortieren (was altes, aber permanentes Wissen begräbt), veraltete Fakten einfach überschreiben oder bei jedem Verarbeitungsschritt einen teuren LLM-Aufruf erfordern. Dadurch können sie nicht zwischen persistierenden und sich entwickelnden Fakten unterscheiden. Um dies zu lösen, stellen wir RoMem vor, ein temporales Wissensgraphen-Modul für strukturierte Gedächtnissysteme, das sich nahtlos integrieren lässt und über agentenbasierte Gedächtnissysteme hinaus anwendbar ist. Ein vortrainiertes Semantic Speed Gate ordnet die Text-Einbettung jeder Relation einem Volatilitäts-Score zu und lernt aus Daten, dass sich entwickelnde Relationen (z.B. "Präsident von") schnell rotieren sollten, während persistierende (z.B. "geboren in") stabil bleiben sollten. In Kombination mit kontinuierlicher Phasenrotation ermöglicht dies geometrisches Shadowing: Veraltete Fakten werden im komplexen Vektorraum phasenverschoben, sodass temporär korrekte Fakten Widersprüche natürlicherweise übertreffen, ohne Löschung. Bei der temporalen Wissensgraphen-Vervollständigung erzielt RoMem state-of-the-art Ergebnisse auf ICEWS05-15 (72,6 MRR). Im agentenbasierten Gedächtnis erreicht es 2-3x höheren MRR und Antwortgenauigkeit bei temporalem Reasoning (MultiTQ), dominiert einen Hybrid-Benchmark (LoCoMo), bewahrt statisches Gedächtnis ohne Verschlechterung (DMR-MSC) und generalisiert Zero-Shot auf ungesehene Finanzdomänen (FinTMMBench).
English
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model time as discrete metadata, either sorting by recency (burying old-yet-permanent knowledge), simply overwriting outdated facts, or requiring an expensive LLM call at every ingestion step, leaving them unable to distinguish persistent facts from evolving ones.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).