Tijd is geen etiket: Continue faserotatie voor temporele kennisgrafen en agentisch geheugen

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

Samenvatting

Gestructureerde geheugenrepresentaties zoals kennisgrafieken zijn essentieel voor autonome agenten en andere langlevende systemen. De meeste bestaande benaderingen modelleren tijd echter als discrete metadata, door bijvoorbeeld te sorteren op recency (waardoor oudere maar permanente kennis wordt begraven), verouderde feiten simpelweg te overschrijven, of een dure LLM-aanroep bij elke invoerstap te vereisen. Hierdoor kunnen ze geen onderscheid maken tussen persistente en evoluerende feiten. Om dit aan te pakken, introduceren we RoMem, een drop-in tijdgebonden kennisgrafiekmodule voor gestructureerde geheugensystemen, toepasbaar op agentgeheugen en daarbuiten. Een vooraf getrainde Semantische Snelheidsgate wijst de tekst-embedding van elke relatie toe aan een volatiliteitsscore, waarbij wordt geleerd uit data dat evoluerende relaties (bijv. "president van") snel moeten roteren terwijl persistente relaties (bijv. "geboren in") stabiel moeten blijven. Gecombineerd met continue faserotatie maakt dit geometrische shadowing mogelijk: verouderde feiten worden uit fase geroteerd in een complexe vectorruimte, zodat tijdelijk correcte feiten van nature contradicties overtreffen zonder verwijdering. Voor temporale kennisgrafiekaanvulling behaalt RoMem state-of-the-art resultaten op ICEWS05-15 (72.6 MRR). Toegepast op agentgeheugen levert het 2-3x hogere MRR en antwoordnauwkeurigheid op voor temporeel redeneren (MultiTQ), domineert het een hybride benchmark (LoCoMo), behoudt het statisch geheugen zonder degradatie (DMR-MSC), en generaliseert het zero-shot naar onzichtbare financiële domeinen (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model time as discrete metadata, either sorting by recency (burying old-yet-permanent knowledge), simply overwriting outdated facts, or requiring an expensive LLM call at every ingestion step, leaving them unable to distinguish persistent facts from evolving ones.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).