本研究提出了一种新方法，通过引入结构映射模块增强时间链接预测模型的记忆能力，解决了现有模型在新图上的应用问题。研究结果表明，该方法在时间链接预测中具有重要的应用潜力。

本研究提出LongMemEval基准，用于评估聊天助手在长期互动中的记忆能力。结果显示，现有助手在长期互动中的记忆准确率下降30%。研究提供了优化方案，提升了记忆回调和问答表现。

本研究提出了一种“遗忘曲线”方法，用于更可靠地评估语言模型的记忆能力。结果表明，该方法对测试语料和实验设置具有鲁棒性，不依赖提示，适用于任何模型规模。实证分析证实了变换器扩展技术的有效性，并对RNN/SSM模型的有效长度提出了质疑。

本研究填补了大型语言模型（LLMs）在记忆能力方面的理论空白，通过比较不同模型的记忆容量来验证LLMs的性能。研究揭示了LLMs与人脑在工作机制上的异同。

本研究介绍了FoundaBench，一个评估中文语言模型的基准，发现在中文语料库上预训练的模型性能更好，同时发现模型的推理和记忆能力存在差异。FoundaBench为理解大型语言模型奠定了新标准，为未来进展提供了框架。

本文提出了一种名为SMG-Learning的新型训练范式，通过定向梯度对齐增强记忆能力和泛化能力。实验结果表明，该方法优于其他最先进方法。

大型语言模型具有强大的记忆能力，可以重新生成部分泄露的训练数据。为了保护隐私，训练者需要使用记忆减轻技术。

本文提出了一种细粒度、基于实体级别的方法来量化语言模型的记忆能力，并提供了一种高效提取敏感实体的方法。实验结果显示语言模型在实体级别上具有较强的记忆能力，并能够在部分泄露情况下重新生成训练数据。这些发现要求语言模型的训练者在模型记忆方面更加谨慎，采用记忆减轻技术以防止隐私侵犯。

本文提出了一种基于实体级别的方法来量化语言模型的记忆能力，并提供了一种高效提取敏感实体的方法。实验结果显示，语言模型在实体级别上具有较强的记忆能力，需要采用记忆减轻技术以防止隐私侵犯。

储备计算是一种递归神经网络，可用于处理时间信号，具有丰富的动力学、线性可分性和记忆能力。本文综合回顾了RC的发展，包括模型、应用和脑机制的建模，并提供了新视角。

本文提出了一种细粒度、基于实体级别的定义来量化语言模型的记忆能力，并提供了一种从自回归语言模型中高效提取敏感实体的方法。实验结果显示，语言模型在实体级别上具有较强的记忆能力，并能够在部分泄露情况下重新生成训练数据。这些发现要求语言模型的训练者在模型记忆方面更加谨慎，采用记忆减轻技术以防止隐私侵犯。

人类大脑的局限性导致无法重构过去的知识结构或信念，接受新的世界观会丧失回忆能力，强化符合现在观点的记忆，淡化不符观点的记忆。