Gestructureerd Episodisch Gebeurtenisgeheugen

Samenvatting

Huidige benaderingen van geheugen in Large Language Models (LLM's) zijn voornamelijk gebaseerd op statische Retrieval-Augmented Generation (RAG), wat vaak leidt tot versnipperde retrieval en de structurele afhankelijkheden die nodig zijn voor complex redeneren niet kan vastleggen. Voor autonome agenten ontbreekt het deze passieve en platte architecturen aan de cognitieve organisatie die nodig is om het dynamische en associatieve karakter van langdurige interactie te modelleren. Om dit aan te pakken, stellen wij Gestructureerd Episodisch Gebeurtenisgeheugen (SEEM) voor, een hiërarchisch raamwerk dat een grafisch geheugenlaag voor relationele feiten combineert met een dynamische episodische geheugenlaag voor narratieve progressie. Geworteld in de cognitieve frame-theorie, transformeert SEEM interactiestromen in gestructureerde Episodische Gebeurtenis Frames (EEF's) verankerd door precieze herkomstpointers. Verder introduceren wij een agent-gebaseerd associatiefusiemechanisme en Reverse Provenance Expansion (RPE) om coherente narratieve contexten te reconstrueren uit gefragmenteerd bewijs. Experimentele resultaten op de LoCoMo- en LongMemEval-benchmarks tonen aan dat SEEM baseline-methoden significant overtreft, waardoor agenten superieure narratieve coherentie en logische consistentie kunnen behouden.

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.