研究者らは、時間的局所性のないワークロードにおいてLRUやLFUといった古典的なヒューリスティックスの失敗に対処する、オンラインセマンティックキャッシュ置換用の学習拡張フレームワークであるSOLARを提案した。この手法は、後悔の蓄積から修正タイミングを導出し、暗黙的な検索フィードバックに対するベイズオンライン学習からコンテンツ選択を行う。

  • MemoryBench-Fullデータセット（LoCoMo、DialSim）での実験により、SOLARは狭いキャッシュサイズにおいてFIFOに対して5〜75%の相対的改善を達成した。
  • このフレームワークは、FIFOのΩ(K)と比較して、キャッシュサイズやホライズンに依存しない定数競争比≤ 3を実証した。
  • 5000項目のプールを用いた合成実験により、プールサイズと検索品質の間に逆U字型の関係が明らかになった。

著者らは、これが重要であると考えている。なぜなら、容量制約がストレージの制限ではなく検索ノイズの現象として正当化されるからである。