RL-Guided Temporal Localization for Dual-Channel Retrieval in Long-Horizon Agent Memory
Pubblicata su AIChronos il · fonte del · Dabin Sheng, Zhe Wu, Jinming Zhao, Junliang Xing, Yuanchun Shi
Il paper introduce TIDER (Temporal Interval-driven Dual-channel Evidence Retrieval), un framework per il recupero di memoria in agenti LLM a lungo termine che integra vincoli temporali nella fase critica di selezione dei candidati. Al centro del sistema vi è un localizzatore degli intervalli temporale addestrato con Reinforcement Learning (RL) capace di inferire finestre temporali discrete, ottimizzando la ricerca come decisione non differenziabile tramite ricompense composite. Questo approccio fonde i risultati della canalizzazione semantica con quelli temporali e li riranghi in base alla prossimità alle finestre individuate, superando il problema del dislocamento causato da candidati semanticamente simili ma temporalmente errati. Grazie a un localizzatore leggero di 1.7B parametri, TIDER ottiene risultati state-of-the-art su benchmark come LifeBench e LoCoMo.
- Esiste una necessità critica per il retrieval time-aware negli agenti LLM a lungo termine per evitare che memorie semanticamente simili ma temporalmente errate oscurino le prove target.
- TIDER utilizza un localizzatore RL addestrato su finestre temporali discrete per convertire supervisione sparsa in feedback granulare durante la selezione dei candidati.
- Il framework combina evidenze da due canali (temporale e semantico) ed esegue il reranking basato sulla vicinanza alle finestre temporali individuate dal localizzatore RL.
- Un modello localizzatore leggero di 1.7B parametri raggiunge l'accuratezza più alta su LifeBench (+8.82%) e LoCoMo (+3.66%), dimostrando l'efficacia dei segnali temporali nella memoria quotidiana a lungo termine.
- L'integrazione del Reinforcement Learning permette di gestire la localizzazione degli intervalli come una decisione discreta, risolvendo limiti dei metodi puramente basati su similarità lessicale o semantica.
Perché conta. Per gli sviluppatori che costruiscono agenti autonomi con memoria a lungo termine, TIDER offre un metodo robusto per garantire la rilevanza temporale delle risposte senza sacrificare l'accuratezza semantica. L'utilizzo di un localizzatore RL leggero rende il sistema scalabile e adatto anche ad implementazioni locali o in contesti dove le risorse computazionali devono essere ottimizzate.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.