El Tiempo no es una Etiqueta: Rotación de Fase Continua para Grafos de Conocimiento Temporales y Memoria Agéntica

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

April 13, 2026

Autores: Weixian Waylon Li, Jiaxin Zhang, Xianan Jim Yang, Tiejun Ma, Yiwen Guo

cs.AI

Resumen

Las representaciones de memoria estructurada, como los grafos de conocimiento, son fundamentales para los agentes autónomos y otros sistemas de larga duración. Sin embargo, la mayoría de los enfoques existentes modelan el tiempo como metadatos discretos, ya sea ordenando por antigüedad (enterrando conocimientos antiguos pero permanentes), simplemente sobrescribiendo hechos obsoletos o requiriendo una costosa llamada a un modelo de lenguaje grande en cada paso de ingesta, lo que les impide distinguir hechos persistentes de aquellos en evolución. Para abordar esto, presentamos RoMem, un módulo temporal de grafo de conocimiento de fácil integración para sistemas de memoria estructurada, aplicable a la memoria agentiva y más allá. Una Puerta de Velocidad Semántica preentrenada mapea la incrustación textual de cada relación a una puntuación de volatilidad, aprendiendo de los datos que las relaciones en evolución (por ejemplo, "presidente de") deben rotar rápidamente, mientras que las persistentes (por ejemplo, "nacido en") deben permanecer estables. Combinado con la rotación de fase continua, esto permite el sombreado geométrico: los hechos obsoletos se rotan fuera de fase en el espacio vectorial complejo, de modo que los hechos temporalmente correctos superan naturalmente a las contradicciones sin necesidad de eliminación. En la completación de grafos de conocimiento temporales, RoMem logra resultados de vanguardia en ICEWS05-15 (72.6 MRR). Aplicado a la memoria agentiva, ofrece un MRR y una precisión de respuesta 2-3 veces mayor en razonamiento temporal (MultiTQ), domina un benchmark híbrido (LoCoMo), preserva la memoria estática sin degradación (DMR-MSC) y se generaliza zero-shot a dominios financieros no vistos (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model time as discrete metadata, either sorting by recency (burying old-yet-permanent knowledge), simply overwriting outdated facts, or requiring an expensive LLM call at every ingestion step, leaving them unable to distinguish persistent facts from evolving ones.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).