SOLAR：学习增强的语义缓存替换优于 FIFO

研究人员提出了 SOLAR，这是一种用于在线语义缓存替换的学习增强框架，旨在解决经典启发式方法（如 LRU 和 LFU）在缺乏时间局部性的工作负载上失效的问题。该方法从遗憾累积中推导修改时机，并从隐式检索反馈上的贝叶斯在线学习中推导内容选择。

• 在 MemoryBench-Full 数据集（LoCoMo、DialSim）上的实验表明，在紧凑的缓存大小下，SOLAR 相比 FIFO 实现了 5–75% 的相对提升。
• 该框架证明了恒定的竞争比 ≤ 3，与缓存大小和时间范围无关，而 FIFO 为 Ω(K)。
• 使用 5000 个项目的池进行的合成实验揭示了池大小与检索质量之间的倒 U 型关系。

作者认为这很重要，因为它将容量限制证明为一种检索噪声现象，而非存储限制。