HTM-EAR：在饱和条件下基于重要性的分层内存带混合路由
硬件体系结构
2026-03-12 v1 人工智能
机器学习
摘要
长期运行智能体的内存约束需要结构化管理已累积事实，同时在受限上下文限制下保留关键信息。我们引入 HTM-EAR，一种分层分级内存子系统，集成基于 HNSW 的工作内存（L1）与归档存储（L2），结合重要性感知驱动的驱逐与混合路由。当 L1 达到容量时，项目根据重要性和使用频率的加权得分进行驱逐。查询首先在 L1 中解决；若相似度或实体覆盖不足，检索回退到 L2，候选者随后使用交叉编码器重新排序。我们在持续饱和条件下进行评估（15,000 个事实；L1 容量 500；L2 容量 5,000），使用合成数据流（五个随机种子）和真实 BGL 系统日志。消融研究将完整系统与无交叉编码器重排序、无路由门控、使用 LRU 驱逐的变体，以及拥有无限内存的 oracle 进行比较。在饱和条件下，完整模型保留主动查询精度（MRR=1.000），同时实现对陈旧历史的受控遗忘，接近 oracle 活动性能（0.997 ± 0.003）。相比之下，LRU 最小化延迟（21.1 毫秒），但永久驱逐 2,416 条关键事实。在 BGL 日志上，完整系统实现 MRR 0.336，接近 oracle（0.370），而 LRU 下降至 0.069。代码公开于：https://github.com/shubham-61291/HTM-EAR。
引用
@article{arxiv.2603.10032,
title = {HTM-EAR: Importance-Preserving Tiered Memory with Hybrid Routing under Saturation},
author = {Shubham Kumar Singh},
journal= {arXiv preprint arXiv:2603.10032},
year = {2026}
}
备注
7 pages, 4 figures, 3 tables. Code available at GitHub