현대 정보 검색(IR) 시스템은 시간을 거의 표현하지 못하지만, 많은 정보 요구는 시간에 의존합니다. 임상, 저널리즘, 법률 검색 등에서는 사건이 언제 발생했는지가 문서의 관련성 여부를 결정할 수 있습니다. 밀집 검색기(dense retriever)와 검색-증강 생성(RAG) 파이프라인은 주제 측면에서는 질의와 문서를 잘 매칭하지만 시간 측면에서는 제대로 매칭하지 못하여, 주제에는 부합하지만 시간적으로는 잘못된 콘텐츠를 표출합니다. 본 논문에서는 두 개의 기준 시점이 지정된 텍스트가 주제적 유사성과 무관하게 시간상으로 얼마나 잘 일치하는지를 측정하는 과제인 시간적 텍스트 유사도(TTS, Temporal Textual Similarity)를 소개합니다. 이어서 고정된(frozen) 의미론적 검색기에 부착되어 해당 신호를 바탕으로 학습하는 모듈형 시간 브랜치인 TEMPS(Temporal Embedding Model for Precise Search)를 제안합니다. 이는 기준 시점이 지정된 시간 표현을 구간(interval)으로 해소(resolve)하고 각각을 가우시안에 모멘트 매칭(moment-match)합니다. 여기서 도출된 순서는 기준 날짜 조건부 인코더를 지도(supervise)하며, 이 인코더의 점수는 추론 시 의미론적 점수와 융합됩니다. 그라운딩(grounding)이 지도 신호를 제공하므로 학습에 수작업으로 라벨링된 시간 데이터를 사용하지 않습니다. 시간 점수 자체는 분포 임베딩의 가우시안-KL 포함 측정(Gaussian-KL inclusion measure)이며, TEMPS가 추가하는 것은 그라운딩과 모멘트 매칭된 지도 신호입니다. 세 가지 시간 벤치마크에서 TEMPS는 테스트된 모든 의미론적 백본의 MRR을 향상시켰으며, TS-Retriever에서는 기존 시간적 SOTA 대비 R@1을 19.92에서 25.39로 끌어올렸습니다.
에이전트형 메모리 시스템은 LLM 에이전트가 장기 문맥을 유지하고 관련 정보를 효율적으로 검색할 수 있게 하는 데 핵심적이 되었다. 그러나 기존 메모리 프레임워크는 저장 층이 HNSW와 같은 효율적인 벡터 인덱스로 뒷받침되는 경우에도 전체 메모리 임베딩 공간에 대해 쿼리와 무관한(query-agnostic) 검색을 수행하는 경우가 많다. 이 전체 범위 검색 경로는 메모리가 커질수록 지연 병목을 만들어 실시간 에이전트 상호작용을 방해한다. 우리는 SwiftMem을 제안한다. 이는 시간적 및 의미적 차원에 대한 특화 인덱싱을 통해 검색 범위를 쿼리 관련 메모리 부분집합으로 좁히는 쿼리 인식 에이전트형 메모리 시스템이다. 우리의 시간적 인덱스는 시간에 민감한 검색을 위한 로그 시간 범위 쿼리를 가능하게 하며, 의미적 DAG-Tag 인덱스는 계층적 태그 구조를 통해 쿼리를 관련 주제에 매핑한다. 성장 과정에서의 메모리 단편화를 해결하기 위해, 우리는 의미적 클러스터를 기반으로 저장소를 재구성하여 지역성을 개선하는 임베딩-태그 공동 통합(co-consolidation) 메커니즘을 도입한다. LoCoMo와 LongMemEval$_S$에서 SwiftMem은 강력한 HNSW 기반 메모리 시스템 대비 경쟁력 있는 LLM-judge 정확도를 유지하면서 10.8/12.7 ms 검색 지연 시간을 달성한다. 보정된 벤치마크인 LoCoMo Refined에서 SwiftMem은 최상위 LLM-judge 점수에 근접한 수준을 유지하면서 한 자릿수(order-of-magnitude) 지연 시간 우위를 보존한다.
비지도 밀집 검색기는 대조 학습(contrastive learning)을 통해 레이블이 없는 문서에서 의미적 유사성을 학습함으로써 확장성을 제공하지만, 시간적 관련성을 포착하는 데 어려움을 겪으며 의미적으로는 관련되어 있으나 시간적으로 정렬되지 않은 문서를 검색합니다. 이는 문서 집합이 여러 시기에 걸쳐 있을 때 중요한 측면입니다 (예: "2019년 대통령은 누구인가?"라는 질문에 대해 2018-2025년의 문서를 검색하는 것은 시간적 모호함을 야기함). 기존 방법들은 항상 가능하지는 않은 명시적인 타임스탬프를 이용한 지도 학습에 의존합니다. 우리는 TPOUR (Temporal Preference Optimization for Unsupervised Retriever)를 제안하며, 이는 우리의 새로운 학습 방법인 TRPO (Temporal Retrieval Preference Optimization)를 사용합니다. TRPO는 시간 차원에서 선호도 학습을 재해석하여, 검색기가 시간적으로 정렬된 문서를 선호하도록 유도합니다. TPOUR는 학습된 시간 임베딩(embedding)에서의 보간을 통해 보지 못한 시기로 일반화되어, 연속적인 시간 정렬을 가능하게 합니다. 시간적 정보 검색(T-IR)에 대한 실험에서 TPOUR는 비지도 및 지도 기준 모델(baseline) 모두를 능가합니다. Qwen-Embedding-8B와 비교했을 때, 약 72.7배 더 작은 규모에도 불구하고 TPOUR Contriever는 명시적 쿼리에서 평균 nDCG@5를 +4.04 (+12.15%), 암시적 쿼리에서 +4.98 (+15.21%) 향상시켰습니다. 우리의 코드는 https://github.com/agwaBom/TPOUR에서 제공됩니다.