يقترح الباحثون SOLAR، وهو إطار عمل معزز بالتعلم لاستبدال ذاكرة التخزين المؤقت الدلالية عبر الإنترنت يعالج فشل الإرشادات الكلاسيكية مثل LRU و LFU في أحمال العمل التي تفتقر إلى المحلية الزمنية. تستخرج الطريقة توقيت التعديلات من تراكم الندم واختيار المحتوى من التعلم عبر الإنترنت البايزي على التغذية الراجعة الضمنية للاسترجاع.
- أظهرت التجارب على مجموعات بيانات MemoryBench-Full (LoCoMo، DialSim) أن SOLAR يحقق تحسناً نسبياً بنسبة 5–75% مقارنة بـ FIFO عند أحجام ذاكرة تخزين مؤقت ضيقة.
- يثبت الإطار نسبة تنافسية ثابتة ≤ 3، مستقلة عن حجم الذاكرة التخزين المؤقت والأفق، مقارنة بـ Ω(K) لـ FIFO.
- تكشف التجارب الاصطناعية مع مجموعات مكونة من 5000 عنصر عن علاقة على شكل حرف U مقلوب بين حجم المجموعة وجودة الاسترجاع.
يعتقد المؤلفون أن هذا مهم لأنه يبرر قيود السعة كظاهرة ضوضاء استرجاع بدلاً من كونها محدودية تخزين.