Les chercheurs proposent SOLAR, un cadre d'apprentissage augmenté pour le remplacement de cache sémantique en ligne qui pallie l'échec des heuristiques classiques comme LRU et LFU sur les charges de travail dépourvues de localité temporelle. La méthode déduit le moment des modifications à partir de l'accumulation du regret et la sélection du contenu via l'apprentissage en ligne bayésien sur des retours de recherche implicites.

  • Les expériences sur les ensembles de données MemoryBench-Full (LoCoMo, DialSim) montrent que SOLAR obtient une amélioration relative de 5 à 75 % par rapport à FIFO avec des tailles de cache serrées.
  • Le cadre démontre un ratio compétitif constant ≤ 3, indépendant de la taille du cache et de l'horizon, comparé à Ω(K) pour FIFO.
  • Des expériences synthétiques avec des pools de 5000 éléments révèlent une relation en U inversé entre la taille du pool et la qualité de la recherche.

Les auteurs considèrent cela important car cela justifie les contraintes de capacité comme un phénomène de bruit de récupération plutôt que comme une limitation de stockage.