Mémoire Événementielle Épisodique Structurée

papers.abstract

Les approches actuelles de la mémoire dans les grands modèles de langage (LLM) reposent principalement sur la génération augmentée par récupération statique (RAG), ce qui entraîne souvent une récupération dispersée et échoue à capturer les dépendances structurelles nécessaires au raisonnement complexe. Pour les agents autonomes, ces architectures passives et plates manquent de l'organisation cognitive requise pour modéliser la nature dynamique et associative des interactions à long terme. Pour remédier à cela, nous proposons la Mémoire Épisodique d'Événements Structurée (SEEM), un cadre hiérarchique qui associe une couche de mémoire graphique pour les faits relationnels à une couche de mémoire épisodique dynamique pour la progression narrative. Fondée sur la théorie des schémas cognitifs, SEEM transforme les flux d'interaction en Cadres d'Événements Épisodiques (EEF) structurés, ancrés par des pointeurs de provenance précis. De plus, nous introduisons un mécanisme de fusion associative agentique et d'Expansion de Provenance Inverse (RPE) pour reconstruire des contextes narratifs cohérents à partir de preuves fragmentées. Les résultats expérimentaux sur les benchmarks LoCoMo et LongMemEval démontrent que SEEM surpasse significativement les méthodes de référence, permettant aux agents de maintenir une cohérence narrative et une consistance logique supérieures.

English

Current approaches to memory in Large Language Models (LLMs) predominantly rely on static Retrieval-Augmented Generation (RAG), which often results in scattered retrieval and fails to capture the structural dependencies required for complex reasoning. For autonomous agents, these passive and flat architectures lack the cognitive organization necessary to model the dynamic and associative nature of long-term interaction. To address this, we propose Structured Episodic Event Memory (SEEM), a hierarchical framework that synergizes a graph memory layer for relational facts with a dynamic episodic memory layer for narrative progression. Grounded in cognitive frame theory, SEEM transforms interaction streams into structured Episodic Event Frames (EEFs) anchored by precise provenance pointers. Furthermore, we introduce an agentic associative fusion and Reverse Provenance Expansion (RPE) mechanism to reconstruct coherent narrative contexts from fragmented evidence. Experimental results on the LoCoMo and LongMemEval benchmarks demonstrate that SEEM significantly outperforms baselines, enabling agents to maintain superior narrative coherence and logical consistency.