Il tempo non è un'etichetta: rotazione di fase continua per grafi della conoscenza temporali e memoria agentica

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

April 13, 2026

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

cs.AI

Abstract

Le rappresentazioni di memoria strutturata come i knowledge graph sono fondamentali per gli agenti autonomi e altri sistemi longevi. Tuttavia, la maggior parte degli approcci esistenti modella il tempo come metadato discreto, limitandosi a ordinare per recentezza (seppellendo conoscenze vecchie ma permanenti), a sovrascrivere semplicemente i fatti obsoleti, o a richiedere una costosa chiamata a un LLM a ogni passo di ingestione, rendendoli incapaci di distinguere fatti persistenti da quelli in evoluzione. Per affrontare questo problema, introduciamo RoMem, un modulo temporale per knowledge graph plug-and-play per sistemi di memoria strutturata, applicabile alla memoria agentica e oltre. Un Semantic Speed Gate preaddestrato mappa l'embedding testuale di ogni relazione a un punteggio di volatilità, apprendendo dai dati che le relazioni evolutive (ad esempio, "presidente di") dovrebbero ruotare rapidamente, mentre quelle persistenti (ad esempio, "nato a") dovrebbero rimanere stabili. Combinato con la rotazione di fase continua, ciò abilita l'ombreggiatura geometrica: i fatti obsoleti vengono ruotati fuori fase nello spazio vettoriale complesso, così i fatti temporalmente corretti superano naturalmente le contraddizioni senza necessità di cancellazione. Sul completamento temporale di knowledge graph, RoMem raggiunge risultati all'avanguardia su ICEWS05-15 (72.6 MRR). Applicato alla memoria agentica, garantisce un miglioramento di 2-3x nell'MRR e nell'accuratezza delle risposte sul ragionamento temporale (MultiTQ), domina benchmark ibridi (LoCoMo), preserva la memoria statica senza alcuna degradazione (DMR-MSC) e si generalizza zero-shot a domini finanziari non visti (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model time as discrete metadata, either sorting by recency (burying old-yet-permanent knowledge), simply overwriting outdated facts, or requiring an expensive LLM call at every ingestion step, leaving them unable to distinguish persistent facts from evolving ones.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).