Los investigadores proponen SOLAR, un marco de trabajo con aprendizaje para la sustitución en línea de cachés semánticos que aborda el fallo de las heurísticas clásicas como LRU y LFU en cargas de trabajo que carecen de localidad temporal. El método deriva el momento de la modificación a partir de la acumulación de arrepentimiento y la selección de contenido del aprendizaje en línea bayesiano sobre retroalimentación implícita de recuperación.

  • Los experimentos en los conjuntos de datos MemoryBench-Full (LoCoMo, DialSim) muestran que SOLAR logra una mejora relativa del 5–75% frente a FIFO con tamaños de caché ajustados.
  • El marco demuestra una relación competitiva constante ≤ 3, independiente del tamaño del caché y del horizonte, en comparación con Ω(K) para FIFO.
  • Los experimentos sintéticos con pools de 5000 elementos revelan una relación en forma de U invertida entre el tamaño del pool y la calidad de la recuperación.

Los autores consideran esto importante porque justifica las restricciones de capacidad como un fenómeno de ruido de recuperación en lugar de una limitación de almacenamiento.