대규모 언어모델(LLM) 기반 에이전트가 복잡한 작업을 수행할 때, 방대한 과거 대화나 정보(context)를 모두 기억하는 것은 비효율적이며 오히려 추론 성능을 떨어뜨리는 주요 병목 현상으로 지적되어 왔습니다. 불필요하거나 중복되는 정보가 쌓이면 모델이 중요한 정보를 놓치거나 잘못된 판단을 내릴 가능성이 커지기 때문입니다. 이러한 문제를 해결하기 위해 '전략적 망각(Strategic Forgetting)' 개념을 도입한 새로운 프레임워크 SF-AMS(Strategic Forgetting for Agent Memory Systems)가 제안되었습니다.
SF-AMS는 기존의 정적인 정보 검색 방식이나 단순한 시간 기반의 정보 소멸(heuristic decay) 방식을 대체합니다. 대신, 기억 단위(memory unit)의 장기적인 중요도를 모델링하여 고도로 압축되고 유용한 기억을 유지하는 데 초점을 맞춥니다. 이 시스템은 정보의 사용 빈도(usage redundancy)와 시간적 신호(temporal signals)를 기반으로 기억의 중요도를 동적으로 업데이트하는 '유틸리티 기반 생존 메커니즘(utility-driven survival mechanism)'을 사용합니다. 이를 통해 안정적인 핵심 정보는 우선적으로 유지하고, 불필요한 노이즈는 효과적으로 걸러내는 계층적 기억 구조를 구축합니다. 또한, 의미론적(semantic) 및 개체(entity) 수준 신호를 통합하는 복합 중요도 점수(Composite Importance Scoring)를 통해 정보 검색의 견고성을 더욱 높였습니다.
LoCoMo와 LongMemEval-s 벤치마크 실험 결과, SF-AMS는 LightMem, MemO, A-Mem 등 기존의 강력한 최신 기술(state of the art baselines) 대비 일관된 성능 향상을 보였습니다. 특히 Qwen2.5-7B 모델을 활용한 다단계 추론(multi-hop reasoning) 작업에서 가장 큰 폭인 9.65 F1 포인트 향상을 달성했으며, GPT-4o-mini를 사용한 시간 추론(temporal reasoning)에서 6.91 F1 포인트, 개방형 도메인(open-domain) 작업에서 6.53 F1 포인트 향상을 기록했습니다. 이는 SF-AMS가 특정 모델에 국한되지 않고 다양한 LLM 백본(backbone)에 걸쳐 강력한 일반화 성능을 보여준다는 것을 의미합니다. 이 연구 결과는 기억 중요도를 동적인 유틸리티 신호로 모델링하는 것이 신뢰할 수 있는 장기 컨텍스트 추론(long-context reasoning)에 매우 중요함을 시사합니다.