時間はラベルではない：時間的知識グラフとエージェント的記憶のための連続的位相回転

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

April 13, 2026

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

cs.AI

要旨

知識グラフのような構造化メモリ表現は、自律エージェントやその他の長寿命システムの中核をなす。しかし、既存手法の多くは時間を離散的なメタデータとしてモデル化しており、新近性によるソート（古くとも永続的な知識を埋もれさせる）、単純な陳腐化事実の上書き、あるいは各取り込みステップで高コストなLLM呼び出しを必要とするため、永続的事実と変化する事実を区別できない。この問題に対処するため、我々は構造化メモリシステム向けの組み込み型時間知識グラフモジュール「RoMem」を提案する。これはエージェントメモリを超えて適用可能である。事前学習されたセマンティック・スピード・ゲートは、各関係のテキスト埋め込みを揮発性スコアに写像し、変化する関係（例：「大統領」）は高速に回転すべきであり、永続的な関係（例：「出生地」）は安定すべきであることをデータから学習する。これを連続的な位相回転と組み合わせることで、幾何学的シャドウイングを実現する：陳腐化した事実は複素ベクトル空間で位相が回転され、時間的に正しい事実が矛盾する事実を削除することなく自然に上位に来る。時間的知識グラフ補完において、RoMemはICEWS05-15で72.6 MRRというState-of-the-Artの結果を達成した。エージェントメモリに適用すると、時間的推論（MultiTQ）で2～3倍のMRRと回答精度を実現し、ハイブリッドベンチマーク（LoCoMo）で優位に立ち、静的メモリを劣化ゼロで保持し（DMR-MSC）、未見の金融領域（FinTMMBench）に対してゼロショット一般化を示した。

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model time as discrete metadata, either sorting by recency (burying old-yet-permanent knowledge), simply overwriting outdated facts, or requiring an expensive LLM call at every ingestion step, leaving them unable to distinguish persistent facts from evolving ones.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).