구조화된 에피소드 사건 기억

초록

현재 대규모 언어 모델(LLM)의 메모리 접근법은 주로 정적 검색 증강 생성(RAG)에 의존하고 있으며, 이는 종종 산발적인 검색을 초래하고 복잡한 추론에 필요한 구조적 의존성을 포착하지 못합니다. 자율 에이전트의 경우, 이러한 수동적이고 평면적인 아키텍처는 장기적 상호작용의 동적이고 연상적인 특성을 모델링하는 데 필요한 인지적 조직력을 결여하고 있습니다. 이를 해결하기 위해 우리는 관계적 사실을 위한 그래프 메모리 계층과 서사적 진행을 위한 동적 에피소드 메모리 계층을 시너지적으로 결합한 계층적 프레임워크인 구조적 에피소드 사건 메모리(SEEM)를 제안합니다. 인지 프레임 이론에 기반한 SEEM은 정확한 출처 포인터로 고정된 구조화된 에피소드 사건 프레임(EEF)으로 상호작용 스트림을 변환합니다. 더 나아가, 우리는 단편화된 증거로부터 일관된 서사적 맥락을 재구성하기 위한 에이전트 연상 융합 및 역출처 확장(RPE) 메커니즘을 도입합니다. LoCoMo 및 LongMemEval 벤치마크에 대한 실험 결과는 SEEM이 기준선을 크게 능가하여 에이전트가 우수한 서사적 일관성과 논리적 정합성을 유지할 수 있음을 입증합니다.

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.