Время — это не ярлык: непрерывный фазовый поворот для временных графов знаний и агентной памяти

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

April 13, 2026

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

cs.AI

Аннотация

Структурированные представления памяти, такие как знаниевые графы, являются центральным элементом автономных агентов и других долгоживущих систем. Однако большинство существующих подходов моделируют время как дискретные метаданные, либо сортируя по новизне (погребая старое, но постоянное знание), либо просто перезаписывая устаревшие факты, либо требуя дорогостоящего вызова большой языковой модели на каждом шаге пополнения, что не позволяет им отличать постоянные факты от изменяющихся. Чтобы решить эту проблему, мы представляем RoMem, универсальный модуль временного знаниевого графа для систем структурированной памяти, применимый к агентной памяти и не только. Предобученный Семантический Скоростной Затвор отображает текстовый эмбеддинг каждого отношения в оценку изменчивости, обучаясь на данных тому, что изменяющиеся отношения (например, «президент страны») должны быстро обновляться, а постоянные (например, «год рождения») должны оставаться стабильными. В сочетании с непрерывным фазовым вращением это обеспечивает геометрическое затенение: устаревшие факты поворачиваются вне фазы в комплексном векторном пространстве, так что временно корректные факты естественным образом превосходят противоречия без необходимости удаления. На задаче дополнения временных знаниевых графов RoMem достигает state-of-the-art результатов на ICEWS05-15 (72.6 MRR). В применении к агентной памяти он демонстрирует 2-3-кратное улучшение MRR и точности ответов на временные рассуждения (MultiTQ), доминирует в гибридном бенчмарке (LoCoMo), сохраняет статическую память без деградации (DMR-MSC) и обобщается zero-shot на невидимые финансовые домены (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model time as discrete metadata, either sorting by recency (burying old-yet-permanent knowledge), simply overwriting outdated facts, or requiring an expensive LLM call at every ingestion step, leaving them unable to distinguish persistent facts from evolving ones.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).