🤖 machine learning

MemArchitect: A Policy Driven Memory Governance Layer

Le papier présente MemArchitect, une couche de gouvernance qui découple la gestion du cycle de vie de la mémoire des poids du modèle en appliquant des politiques explicites pour résoudre les contradictions, garantir la confidentialité et éliminer les informations obsolètes, améliorant ainsi la fiabilité et la sécurité des agents LLM autonomes.

Auteurs originaux : Lingavasan Suresh Kumar, Yang Ba, Rong Pan

Publié 2026-03-20

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Lingavasan Suresh Kumar, Yang Ba, Rong Pan

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🧠 Le Problème : Le "Trou de Gouvernance" de la Mémoire

Imaginez que vous donnez un cerveau à un robot (une Intelligence Artificielle) pour qu'il vous aide à gérer votre vie. Ce robot doit se souvenir de tout : vos préférences, vos rendez-vous, vos secrets.

Le problème actuel, c'est que la plupart de ces robots ont une mémoire passive. C'est comme un grand tas de papiers jetés sur un sol sans tri.

Si vous dites "Je suis marié" en 2024, puis "Je suis divorcé" en 2025, le robot peut confondre les deux et vous dire des bêtises.
Il garde des informations inutiles (comme le temps qu'il faisait il y a 5 ans) qui encombrent son esprit.
Il ne sait pas quoi oublier, ni comment protéger vos secrets.

Les chercheurs appellent cela le "Trou de Gouvernance". Le robot a trop de données, mais pas assez de bon sens pour les gérer.

🏗️ La Solution : MemArchitect, le "Directeur de Mémoire"

MemArchitect n'est pas un nouveau cerveau pour le robot. C'est un nouveau système de gestion qui se place au-dessus du cerveau.

Imaginez que le cerveau du robot est une salle de réunion (la fenêtre de contexte).

Avant (RAG classique) : N'importe qui peut entrer dans la salle et crier n'importe quoi. C'est le chaos.
Avec MemArchitect : Il y a un Directeur de Sécurité (le couche de gouvernance) à la porte. Il ne laisse entrer que les informations utiles, vérifie qu'elles sont vraies, et chasse les intrus.

Voici comment ce Directeur fonctionne, grâce à 4 règles simples :

1. Le Triage et la "Vie" des souvenirs (Lifecycle & Hygiene)

L'analogie : Imaginez un jardin. Si vous ne tenez pas, les mauvaises herbes étouffent les fleurs.
Ce que fait MemArchitect : Il utilise une règle appelée FSRS (basée sur la façon dont les humains oublient).
- Si vous utilisez souvent un souvenir (ex: "J'aime le café"), il devient solide et reste.
- Si un souvenir n'est jamais utilisé (ex: "J'ai acheté un stylo bleu en 2022"), il commence à se faner et finit par être effacé automatiquement pour faire de la place.
- Il nettoie aussi les "bruits" (les informations redondantes) pour que la salle de réunion reste propre.

2. La Vérification de la Vérité (Consistency & Truth)

L'analogie : C'est comme un fact-checker ou un détecteur de mensonges.
Ce que fait MemArchitect : Avant de laisser une information entrer dans la salle de réunion, le système se demande : "Est-ce que c'est cohérent avec ce que je sais déjà ?"
- Si le robot se souvient que vous êtes marié, mais qu'une nouvelle note dit que vous êtes célibataire, le système bloque la nouvelle information ou demande une vérification.
- Il utilise un "filtre de veto" : même si une information ressemble beaucoup à ce qu'on cherche, si elle ne correspond pas parfaitement au sens, elle est rejetée.

3. L'Enchère pour l'Attention (Adaptive Retrieval)

L'analogie : Imaginez une enchère pour entrer dans la salle de réunion.
Ce que fait MemArchitect : La place dans la mémoire du robot est limitée (comme une salle de réunion qui ne peut contenir que 10 personnes).
- Si vous posez une question simple ("Quelle est la capitale du Japon ?"), le système fait entrer les faits bruts.
- Si vous posez une question complexe ("Réfléchis à mon projet"), le système laisse de la place pour le raisonnement et chasse les détails inutiles.
- Il utilise aussi un principe appelé Hebbien : "Les neurones qui s'activent ensemble, se lient ensemble". Si vous parlez souvent de "Paris" et de "Tour Eiffel" ensemble, le système les lie. Si vous cherchez "Paris", il vous apporte aussi "Tour Eiffel" automatiquement.

4. Le Budget d'Énergie (Efficiency)

L'analogie : C'est comme gérer un budget de carburant.
Ce que fait MemArchitect : Le système décide intelligemment combien d'espace donner à chaque tâche.
- S'il est sûr de lui, il garde beaucoup d'espace pour que le robot "réfléchisse".
- S'il est incertain, il garde un petit espace pour chercher des faits précis ("Aiguille dans une botte de foin").

📊 Les Résultats : Pourquoi c'est mieux ?

Les chercheurs ont testé MemArchitect contre d'autres systèmes (comme MemOS ou SimpleMem).

Le résultat : MemArchitect a beaucoup mieux compris les contextes complexes et les raisonnements à plusieurs étapes.
Le compromis : Parfois, il oublie des détails très précis (comme une date exacte d'il y a 3 ans) parce qu'il les juge inutiles. Mais c'est un choix volontaire !
- L'analogie : Mieux vaut un robot qui oublie votre numéro de téléphone de 2020 pour se concentrer sur votre projet actuel, plutôt qu'un robot qui se souvient de tout mais qui est confus et hallucine des faits faux.

🚀 En Résumé

MemArchitect transforme la mémoire d'un robot d'un simple entrepôt de stockage (où tout s'accumule) en un système de gestion actif (comme un bon bibliothécaire).

Il ne se contente pas de stocker ; il trie, vérifie, nettoie et organise l'information en temps réel. Cela permet aux agents intelligents de devenir plus fiables, plus sûrs et capables de travailler avec vous sur le long terme sans devenir fous à force de se souvenir de trop de choses inutiles.

C'est la différence entre avoir un cerveau qui subit l'information et un cerveau qui gouverne l'information.

Titre : MemArchitect : Une couche de gouvernance de la mémoire pilotée par des politiques

1. Le Problème : Le « Vide de Gouvernance » (Governance Gap)

L'article identifie une faille critique dans l'évolution des modèles de langage (LLM) vers des agents autonomes persistants. Alors que les systèmes actuels (comme RAG standard) traitent la mémoire comme un simple stockage passif (« bucket »), ils souffrent de plusieurs limitations majeures :

Hallucinations de Mémoire : Les agents récupèrent des faits contradictoires ou obsolètes de leur propre historique (ex. : « L'utilisateur est célibataire » en 2024 vs « L'utilisateur est marié » en 2025).
Pollution du Contexte : L'expansion des fenêtres de contexte aggrave la pollution par des données inutiles ou « zombies » (faits périmés).
Absence de Contrôle : Les systèmes existants manquent de mécanismes pour résoudre les contradictions d'état, appliquer le « droit à l'oubli » (GDPR) ou élaguer activement les données obsolètes basées sur leur utilité.

Les approches actuelles se divisent en trois paradigmes (systèmes d'exploitation comme MemGPT, compression efficace comme SimpleMem, et structures hiérarchiques), mais aucune ne comble ce vide de gouvernance active.

2. Méthodologie : MemArchitect

MemArchitect propose une couche middleware de gouvernance qui découple la gestion du cycle de vie de la mémoire des poids du modèle. Au lieu d'une récupération passive, le système introduit une économie de « Tri et Enchère » (Triage & Bid) où chaque information doit activement concourir pour entrer dans la fenêtre de contexte.

Le moteur de gouvernance repose sur quatre piliers fondamentaux :

A. Cycle de Vie et Hygiène (Moteur d'Oubli)

Décroissance FSRS : Remplace la décroissance exponentielle simple par le Free Spaced Repetition Scheduler (FSRS v4). La récupérabilité ( $R$ ) dépend de la stabilité ( $S$ ) et du temps ( $t$ ), mimant la courbe d'oubli biologique.
Consolidation par Entropie : Un processus de fond surveille la densité informationnelle. Si la redondance est élevée (Entropie < 0,4), les mémoires épisodiques qui s'estompent sont compressées en faits sémantiques stables, et le bruit (récupérabilité < 0,3) est supprimé.

B. Cohérence et Vérité (Moteur d'Utilité)

Boucle de Réflexion (Filtre de Kalman) : Traite la récupération comme un signal d'alerte. Un filtre de Kalman suit un « Score de Confiance » ( $U$ ) pour chaque mémoire. Les mémoires utiles gagnent de l'inertie, tandis que les hallucinations sont mathématiquement pénalisées.
Discriminateur de Pertinence (Porte de Veto) : Un modèle Cross-Encoder agit comme une porte de sécurité. Même si une mémoire passe la recherche vectorielle, elle est rejetée si elle ne respecte pas un seuil strict d'implication sémantique (entailment < 0,1).

C. Récupération Adaptative (Moteur d'Enchère)

Décomposition Multi-sauts : Les requêtes complexes sont décomposées en sous-questions pour récupérer des faits disjoints.
Scoring Adaptatif : Les requêtes sont classées (Fait, Temporel, Raisonnement) pour ajuster dynamiquement les poids. Les vieilles mémoires sont pénalisées pour le raisonnement immédiat, mais traitées comme intemporelles pour les faits.
Expansion de Graph Hebbien : Inspiré par l'apprentissage associatif, si deux mémoires (A et B) sont fréquemment utilisées ensemble ( $P(B|A) > 0,7$ ), la récupération de A entraîne automatiquement B dans le contexte.

D. Efficacité (Moteur de Budget)

Budget de Tokens Adaptatif : Le système alloue dynamiquement la fenêtre de contexte. Une récupération à haute confiance réserve 30% du contexte pour le raisonnement (« Reasoning Reserve »), tandis qu'une faible confiance maximise la fenêtre pour la recherche de faits (« Recall Reserve »).

Architecture de Flux :
Le système fonctionne en trois boucles :

Lecture (Auction) : Classification, décomposition, enchère, filtrage et expansion.
Réflexion (Feedback) : Analyse post-génération pour mettre à jour les scores d'utilité et de stabilité.
Arrière-plan (Hygiène) : Nettoyage et consolidation des données pendant les périodes d'inactivité.

3. Résultats Clés

Les expériences ont été menées sur le benchmark LoCoMo-10 (mémoire conversationnelle à long terme) en comparant MemArchitect avec SimpleMem (efficacité algorithmique) et MemOS (gestion système complète).

Comparaison avec SimpleMem (Qwen-3B) : MemArchitect surpasse largement le modèle de base.
- Raisonnement Temporel : +39,2% d'augmentation (95,3% vs 56,1%). SimpleMem échoue ici car sa compression indiscriminée supprime les marqueurs temporels, tandis que la politique FSRS de MemArchitect les priorise.
- Moyenne globale : +7,45% d'amélioration de précision sur toutes les tâches.
Comparaison avec MemOS (Llama-3.1-8B) :
- MemArchitect sacrifie la « réminiscence eidétique » (rappel brut de tout) au profit de la cohérence. Il perd sur les tâches de rappel simple (Single-Hop) et temporel (-44,9%) car il élague agressivement les faits uniques non répétés.
- Cependant, il surpasse MemOS sur les tâches de synthèse abstraite (Open Domain : +11,3%) et de raisonnement multi-sauts (+4,1%).
Conclusion des résultats : Le passage d'une « pollution de contexte » incontrôlée à un « élagage géré » améliore la fiabilité des agents sur des horizons temporels longs.

4. Contributions Principales

Paradigme de Gouvernance Active : Déplacement de la mémoire d'un stockage passif à une ressource cognitive active soumise à des règles explicites.
Architecture Modulaire et Agnostique : MemArchitect est une couche externe qui ne modifie pas les poids du modèle, ce qui la rend compatible avec n'importe quel LLM.
Mécanismes Hybrides : Combinaison innovante de la psychologie cognitive (FSRS, courbe d'oubli), de la théorie du contrôle (Filtre de Kalman) et de l'apprentissage associatif (Graph Hebbien).
Preuve de Concept : Démonstration que la gouvernance par politique est supérieure à la simple compression sémantique pour préserver l'intégrité sémantique dans des environnements d'agents autonomes.

5. Signification et Perspectives

MemArchitect adresse un problème fondamental de l'IA agentique : la gestion de la vérité et de la cohérence sur le long terme. En transformant les échecs potentiels (hallucinations, contradictions) en paramètres ajustables (élagage contrôlé), le système rend les agents plus fiables pour des tâches complexes et persistantes.

Travaux futurs prévus :

Évaluation sur des benchmarks plus exigeants (LongMemEval).
Validation sur la préservation de l'identité (benchmarks Persona-centric).
Affinement de la rétention des faits à faible fréquence et mise en œuvre de politiques de sécurité supplémentaires (filtrage toxique, cascade de suppression pour le droit à l'oubli).

En résumé, MemArchitect établit que pour que les agents IA soient véritablement autonomes, ils ne doivent pas seulement « se souvenir », mais doivent gouverner leur propre mémoire.