SOLAR: 학습 증강형 시맨틱 캐시 교체 알고리즘이 FIFO를 능가하다

연구자들은 시간적 국소성이 없는 워크로드에서 LRU 및 LFU와 같은 기존 휴리스틱의 실패를 해결하는 온라인 시맨틱 캐시 교체를 위한 학습 증강 프레임워크인 SOLAR를 제안했습니다. 이 방법은 후회 누적으로부터 수정 타이밍을 도출하고, 암묵적 검색 피드백에 대한 베이지안 온라인 학습으로부터 콘텐츠 선택을 수행합니다.

• MemoryBench-Full 데이터셋(LoCoMo, DialSim)에서의 실험 결과, SOLAR는 제한된 캐시 크기에서 FIFO 대비 5–75%의 상대적 개선을 달성했습니다.
• 이 프레임워크는 FIFO의 Ω(K)와 비교하여 캐시 크기와 호라이즌에 독립적인 상수 경쟁 비율 ≤ 3을 입증했습니다.
• 5000개 항목 풀을 사용한 합성 실험은 풀 크기와 검색 품질 사이에 역U자 관계를 드러냈습니다.

저자들은 이것이 중요하다고 봅니다. 용량 제약이 저장 한계가 아닌 검색 노이즈 현상으로 정당화되기 때문입니다.