O Tempo Não É um Rótulo: Rotação de Fase Contínua para Grafos de Conhecimento Temporal e Memória Agente

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

April 13, 2026

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

cs.AI

Resumo

Representações estruturadas de memória, como grafos de conhecimento, são centrais para agentes autónomos e outros sistemas de longa duração. No entanto, a maioria das abordagens existentes modela o tempo como metadados discretos, seja ordenando por recenticidade (enterrando conhecimento antigo, mas permanente), simplesmente substituindo factos desatualizados, ou exigindo uma chamada dispendiosa a um LLM em cada etapa de ingestão, impedindo-as de distinguir factos persistentes de factos em evolução. Para resolver isto, apresentamos o RoMem, um módulo de grafo de conhecimento temporal intercambiável para sistemas de memória estruturada, aplicável à memória de agentes e além. Um Portão de Velocidade Semântica pré-treinado mapeia o *embedding* textual de cada relação para um score de volatilidade, aprendendo a partir de dados que relações em evolução (por exemplo, "presidente de") devem rodar rapidamente, enquanto as persistentes (por exemplo, "nascido em") devem permanecer estáveis. Combinado com a rotação de fase contínua, isto permite o sombreamento geométrico: factos obsoletos são rodados para fora de fase no espaço vetorial complexo, de modo que factos temporalmente corretos superam naturalmente as contradições sem necessidade de eliminação. Na tarefa de completamento de grafos de conhecimento temporais, o RoMem alcança resultados state-of-the-art no ICEWS05-15 (72.6 MRR). Aplicado à memória de agentes, proporciona 2-3x mais MRR e precisão de resposta no raciocínio temporal (MultiTQ), domina um *benchmark* híbrido (LoCoMo), preserva a memória estática sem degradação (DMR-MSC) e generaliza *zero-shot* para domínios financeiros não vistos (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model time as discrete metadata, either sorting by recency (burying old-yet-permanent knowledge), simply overwriting outdated facts, or requiring an expensive LLM call at every ingestion step, leaving them unable to distinguish persistent facts from evolving ones.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).