शोधकर्ताओं ने SOLAR प्रस्तावित किया, जो ऑनलाइन सेमांटिक कैश रिप्लेसमेंट के लिए एक लर्निंग-एम्बेडेड फ्रेमवर्क है जो LRU और LFU जैसे क्लासिक हीरिस्टिक्स की विफलता को दूर करता है जब कार्यभार में टेंपोरल लोकैलिटी नहीं होती। विधि रेट अक्यूमुलेशन से मॉडिफिकेशन टाइमिंग निकालती है और सामग्री चयन इम्प्लिसिट रिट्रीवल फीडबैक पर बेयसियन ऑनलाइन लर्निंग से निकालती है।
- MemoryBench-Full डेटासेट (LoCoMo, DialSim) पर प्रयोग दिखाते हैं कि SOLAR टाइट कैश साइज पर FIFO के मुकाबले 5–75% रिलेटिव इम्प्रूवमेंट हासिल करता है।
- फ्रेमवर्क एक कॉन्स्टेंट कंपिटिटिव रेशियो ≤ 3 सिद्ध करता है, जो कैश साइज और होराइजन से स्वतंत्र है, जबकि FIFO के लिए Ω(K) है।
- 5000 आइटम वाले पूल के साथ सिंथेटिक प्रयोगों ने पूल साइज और रिट्रीवल क्वालिटी के बीच एक इन्वर्टेड-U संबंध को उजागर किया।
लेखकों का मानना है कि यह महत्वपूर्ण है क्योंकि यह क्षमता बाधाओं को स्टोरेज सीमा के बजाय रिट्रीवल नॉइज़ घटना के रूप में justified करता है।