구조화된 에피소딕 이벤트 메모리와 역증거 확장

초록

SEEM은 그래프 기반 정적 사실 저장소와 에피소딕 이벤트 프레임(EEF)으로 구성된 동적 서사 메모리를 결합한 계층형 기억 체계이다. 원문 텍스트와의 정확한 증거 포인터를 유지하고, 역증거 확장(RPE)으로 파편화된 정보를 재통합한다. LoCoMo와 LongMemEval 벤치마크에서 기존 RAG·그래프 메모리 모델을 크게 앞서며, 장기 대화에서 서사 일관성과 논리적 정확성을 크게 향상시킨다.

상세 분석

본 논문은 대형 언어 모델(LLM)의 장기 기억 한계를 극복하기 위해 두 개의 상호 보완적인 메모리 레이어를 제안한다. 첫 번째인 에피소딕 메모리 레이어(EML)는 각 대화 턴을 인지적 프레임 이론에 기반한 에피소딕 이벤트 프레임(EEF)으로 변환한다. EEF는 요약(v_sum)과 참가자, 행동, 시간, 장소, 인과, 방식 등 6개의 의미역(v_par, v_act, v_tmp, v_spa, v_cau, v_man)으로 구성되며, 원문 패시지와의 증거 포인터(ρ_eml)로 연결된다. 이를 통해 메모리는 단순 텍스트 집합이 아니라 구조화된 사건 단위로 재구성되어, 시간·인과 관계를 명시적으로 추론할 수 있다.

두 번째인 그래프 메모리 레이어(GML)는 정적 사실을 (주체, 관계, 객체, 유효시간) 형태의 4‑튜플(K_t)로 추출해 스키마-아그노스틱 지식 그래프를 구축한다. 여기서도 각 노드·엣지는 원문 패시지와 연결되는 증거 포인터(ρ_gml)를 보유한다. 그래프는 벡터 유사도 기반의 엔터티 정규화를 통해 어휘 변형을 통합하고, 관계 중심의 탐색을 가능하게 한다.

핵심 혁신은 ‘역증거 확장(RPE)’ 메커니즘이다. 질의 기반으로 GML에서 상위 사실(K_top)을 추출한 뒤, 해당 사실이 연결된 패시지를 역추적하여 EML의 관련 EEF를 찾는다. 이후 EEF에 포함된 증거 포인터를 다시 확장해 모든 관련 패시지를 최종 컨텍스트(P_final)에 포함시킨다. 이 과정은 파편화된 증거가 서로 다른 턴에 흩어져 있더라도, 하나의 사건이 활성화되면 그 사건에 속한 모든 텍스트 근거가 함께 제공되도록 보장한다.

학습 및 추론 파이프라인은 다음과 같다. ① 원문 스트림 → EEF·K_t 추출 (LLM 기반 F_ext, F_judge) ② 유사 사건 병합·통합 (F_fuse) ③ 질의 → GML 검색·전파 → 초기 패시지(P_ret) ④ RPE를 통한 증거 확대 → 최종 컨텍스트(C) ⑤ LLM 디코더가 (q, C)를 입력받아 응답을 생성한다.

실험에서는 두 개의 장기 대화 벤치마크인 LoCoMo(최대 16k 토큰, 32세션)와 LongMemEval(다양한 메모리 요구 500 질문)에서 기존 RAG, GraphRAG, HippoRAG2, Mem0 등을 비교하였다. SEEM은 LoCoMo에서 토큰‑레벨 F1과 BLEU‑1에서 평균 4.2%p, 3.8%p 상승했으며, LongMemEval에서는 LLM‑as‑Judge 기반 사실 일관성 점수에서 4.4%p 절대 향상을 기록했다. 특히 시간 순서 추론·다중 홉 연쇄 추론·사용자 선호 업데이트와 같은 시나리오에서 오류율이 현저히 낮았다.

한계점으로는 EEF 추출 시 LLM에 의존하는 부분이 있어 오류 전파 위험이 존재하고, 그래프 구축 단계에서 관계 추출 정확도가 전체 성능에 크게 영향을 미친다. 또한 현재 구현은 증거 포인터를 텍스트 레벨에만 두어, 멀티모달(이미지·음성) 증거와의 통합은 미지원이다. 향후 연구에서는 자동화된 프레임 검증, 멀티모달 증거 연결, 그리고 메모리 압축·삭제 정책을 도입해 실시간 에이전트에 적용할 계획이다.

요약하면, SEEM은 구조화된 사건 프레임과 그래프 기반 사실 저장을 결합해 LLM의 장기 기억을 ‘정적·동적’ 이중 구조로 재구성하고, 역증거 확장으로 파편화된 정보를 효과적으로 재통합한다. 이는 기존 평면적 RAG가 갖는 ‘산발적 검색’ 문제를 근본적으로 해결하며, 복합적인 서사 추론과 사실 일관성을 동시에 만족시키는 새로운 메모리 패러다임을 제시한다.