Fortunate Recall: 온톨로지 기반 LLM 메모리 수명 주기 관리

배경

대형 언어 모델의 메모리 시스템은 시간이 지남에 따라 신뢰성이 제한되는 구조적 결함을 안고 있습니다. 기존 설계는 사용자가 제공하는 모든 개인 사실을 동등하게 취급하며, 사실의 카테고리나 시간적 유효성을 구분하지 않습니다. 그 결과 메모리 저장소는 무제한으로 쌓이고, 코퍼스가 커질수록 검색 정확도는 지속적으로 하락합니다. 저자들은 핵심 문제를 수명 주기 관리로 지목합니다. 어떤 기억을 장기적으로 보존할지, 어떤 것을 대체할지, 어떤 속도로 대체할지, 그리고 각 사실의 행동 유형을 조건으로 이를 결정하는 문제가 관건입니다.

이 논문은 이러한 공백을 메우는 조합 가능한 정책 계층인 Fortunate Recall(FR)을 제안합니다. FR는 개인 사실을 10+1개의 행동 온톨로지에 분류하며, 지속적으로 성립하는 사실과 특정 사건 창 내에서만 유효한 사실을 구분합니다. 각 카테로리는 단일 보편적 규칙이 아니라 맞춤형 수명 주기 전략을 부여받습니다. 이는 메모리를 수동적 저장 용기에서 사실의 의미에 기반해 보존과 폐기를 조절하는 자기조절 시스템으로 전환시킵니다.

심층 분석

FR는 네 가지 카테고리별 수명 주기 전략을 적용하며, 이들은 모두 LLM이 추출한 메타 함수 위에서 결정적 함수로 구현됩니다. 차등 시간 감쇠는 일부 사실은 천천히 희미해지고 일부는 사건 창이 닫히면 빠르게失效하도록 합니다. 슬롯 키 교체는 새로운 사실이 동일한 의미 슬롯을 차지하는 기존 기록을 자동으로 덮어쓰게 하여 단일 슬롯 내 축적을 방지합니다. 이벤트 시간 유효성은 특정 사실에 명시적 유효성 구간을 부여해 만료 후 자연스럽게 제거되게 합니다. 카테고리 인식 검색 라우팅은 카테고리 매칭을 기반으로 쿼리를 가장 관련성 높은 메모리 클러스터로 유도합니다.

인프라 비의존적 구현인 FR-Bank는 이러한 전략을 다양한 저장 백엔드에서 배포할 수 있게 합니다. 516문항의 시퀀스 모호성 해결 벤치마크인 LifecycleBench에서 FR-Bank는 76.9%의 정답률을 달성합니다. 이는 Mem0, A-MEM, Memory-R1, MemoryOS 등 기존 시스템을 61%에서 70.5%의 점수로 능가합니다. 표준 Wu et al. 프로토콜下的 LongMemEval-S에서는 75.2%를 기록하며, 수명 주기 전략이 표준 검색에 측정 가능한 비용을 부과하지 않음을 보여줍니다.

사전 등록된 아블레이션 실험은 이득의 출처를 정밀하게 특정합니다. 유형 인식 레어를 세 가지 범용 수명 주기 원리로 대체했을 때 정확도는 통계적으로 유의미한 변화가 없었으며, 변화량은 -1.7포인트, 95% 신뢰구간은 -6.0에서 +2.7이었습니다. 범용 수명 주기 메타데이터가 정확성 이득을 담당하는 반면, 행동 온톨로지는 주로 교정을 제공해 하류 해얼싱을 24.2%에서 12.0%로 p값 0.001 미만으로 절반으로 줄입니다. 엔드투엔드에서 FR-Bank는 Mem0의 해얼싱율을 이미답한 쿼리에 대해 45.1%에서 22.4%로, 모든 쿼리에 대해 32.2%에서 13.0%로 낮추는 동시에 정답 비율을 18.6%에서 31.2%로 높입니다.

산업 영향

이 논문은 장기 메모리 시스템에 이전 가능한 아키텍처 패러다임을 제시합니다. 메모리 관리를 수동적 저장능동적 수명 주기 거버넌스로 재정의하는 것입니다. 인프라 비의존적 FR-Bank 설계는 다양한 저장 백엔드와 원활하게 통합되어 산업 도입 장벽을 낮춥니다. 행동 온톨리지와 수명 주기 전략의 분리 설계는 연구자가 정확성과 교정을 독립적으로 최적화할 수 있게 하여 후속 연구에 명확한 방향을 제공합니다.

저자들은 온톨리지, 벤치마크, 코드를 오픈소스로 공개합니다. 새롭게 구축한 LifecycleBench와 BEAM은 오랫동안 무시되어 온 시퀀스 모호성 문제에 표준화된 평가 도구를 제공하며, 커뮤니티가 메모리 적시성에 더 주목하게 할 잠재력을 지닙니다. Mem0의 45.1%에서 22.4%로 해얼싱을 절반으로 줄인 결과는 실제 환경 배포에서 신뢰성을 개선하는 핵심 경로를 직접적으로 가리킵니다.

전망

이 순위는 오픈 가중치 Kimi K2.5에서도 재현되어 접근법이 모델 계열을 넘어 유효함을 검증합니다. 독립적으로 구축한 BEAM 벤치마크에서 분해 방식은 이전 가능성을 보여주며, 280문항 중 46.8%의 정확도로 Mem0의 32.9%를 능가합니다. 온톨리지 이득은 모순 해결에 집중되며, 시스템이 여섯 가지 전략 클러스터에 접근할 때 포화됩니다. 이러한 결과는 수명 주기 관리가 메모리 아키텍처의 표준 구성요소로 자리 잡을 것임을 시사하며, 행동 온톨리지의 교정 이득은 원시 정확도 이득을 넘어 생산 시스템에서 측정 가능한 신뢰성 개선으로 확장될 것임을 보여줍니다.

온톨로지 기반 설계는 사실의 의미와 유효성 기간을 구조화함으로써, 단순 시간순 정렬로는 해결할 수 없었던 시퀀스 모호성 문제를 체계적으로 다루는 길을 열었습니다. 이는 메모리 시스템이 정적 데이터 저장을 넘어 동적 거버넌스 체계로 진화해야 함을 강조하며, 향후 연구가 교정과 정확성을 분리해 최적화하는 방향으로 나아갈 것임을 시사합니다.