Le temps n'est pas une étiquette : Rotation de phase continue pour les graphes de connaissances temporels et la mémoire agentielle
Time is Not a Label: Continuous Phase Rotation for Temporal Knowledge Graphs and Agentic Memory
April 13, 2026
Auteurs: Weixian Waylon Li, Jiaxin Zhang, Xianan Jim Yang, Tiejun Ma, Yiwen Guo
cs.AI
Résumé
Les représentations structurées de la mémoire, telles que les graphes de connaissances, sont essentielles pour les agents autonomes et autres systèmes à longue durée de vie. Cependant, la plupart des approches existantes modélisent le temps comme des métadonnées discrètes, soit en triant par récence (enfouissant les connaissances anciennes mais permanentes), soit en écrasant simplement les faits obsolètes, ou en nécessitant un appel coûteux à un LLM à chaque étape d'ingestion, ce qui les empêche de distinguer les faits persistants des faits évolutifs. Pour résoudre ce problème, nous présentons RoMem, un module temporel de graphe de connaissances prêt à l'emploi pour les systèmes de mémoire structurée, applicable à la mémoire agentique et au-delà. Une « Semantic Speed Gate » pré-entraînée mappe l'embedding textuel de chaque relation à un score de volatilité, apprenant à partir des données que les relations évolutives (par exemple, « président de ») doivent tourner rapidement tandis que les relations persistantes (par exemple, « né en ») doivent rester stables. Combinée à la rotation de phase continue, cela permet l'*ombre géométrique* : les faits obsolètes sont mis en déphasage dans l'espace vectoriel complexe, de sorte que les faits temporellement corrects surpassent naturellement les contradictions sans suppression. Sur la tâche de complétion de graphes de connaissances temporels, RoMem obtient des résultats state-of-the-art sur ICEWS05-15 (MRR de 72,6 %). Appliqué à la mémoire agentique, il offre une multiplication par 2 à 3 du MRR et de la précision des réponses sur le raisonnement temporel (MultiTQ), domine un benchmark hybride (LoCoMo), préserve la mémoire statique sans aucune dégradation (DMR-MSC) et généralise zero-shot à des domaines financiers non vus (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model time as discrete metadata, either sorting by recency (burying old-yet-permanent knowledge), simply overwriting outdated facts, or requiring an expensive LLM call at every ingestion step, leaving them unable to distinguish persistent facts from evolving ones.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).