SOLAR: penggantian cache semantik yang diperkaya pembelajaran mengungguli FIFO

Para peneliti mengusulkan SOLAR, sebuah kerangka kerja yang diperkaya pembelajaran untuk penggantian cache semantik online yang mengatasi kegagalan heuristik klasik seperti LRU dan LFU pada beban kerja yang tidak memiliki lokalisasi temporal. Metode ini menurunkan waktu modifikasi dari akumulasi penyesalan dan pemilihan konten dari pembelajaran online Bayesian atas umpan balik pengambilan implisit.

• Eksperimen pada dataset MemoryBench-Full (LoCoMo, DialSim) menunjukkan SOLAR mencapai peningkatan relatif 5–75% dibandingkan FIFO pada ukuran cache yang ketat.
• Kerangka kerja ini membuktikan rasio kompetitif konstan ≤ 3, independen terhadap ukuran cache dan horizon, dibandingkan dengan Ω(K) untuk FIFO.
• Eksperimen sintetis dengan kumpulan item 5000-item mengungkap hubungan berbentuk U terbalik antara ukuran kumpulan dan kualitas pengambilan.

Para penulis menganggap ini penting karena hal ini membenarkan batasan kapasitas sebagai fenomena noise pengambilan alih daripada keterbatasan penyimpanan.