대규모 언어 모델(LLMs)은 망각(forgetting)이나 비용이 많이 드는 재학습(retraining) 없이 새로운 지식을 통합하는 데 어려움을 겪습니다. 우리는 이벤트가 노드(node)이고 시간적 관계가 방향성이 있고 타임스탬프가 찍힌 에지(edge)인 시계열 지식 그래프(temporal knowledge graph)를 통해 동결된(frozen) LLM을 보강하는 경량 프레임워크인 DYNA를 제안합니다. 이 그래프는 외부의 업데이트 가능한 메모리 역할을 합니다. 쿼리 시점에 DYNA는 랜덤 워크(random walks)와 중심성 측정(centrality measures)을 통해 관련 노드를 검색한 다음 LLM의 응답을 보강합니다. 세 가지 시계열 회상(temporal recall) 작업에서 평가했을 때, DYNA는 미세 조정(fine-tuning) 대비 치명적 망각(catastrophic forgetting)을 약 7% 줄였으며, 표준 RAG 대비 시간적 순서(temporal ordering)를 약 5% 개선했습니다. 더 높은 그래프 클러스터링 계수(graph clustering coefficients)는 더 나은 검색과 상관관계가 있으며, 이는 그래프 구조가 중요하다는 것을 보여줍니다. 기여 사항: (1) 시계열 지식 그래프(temporal KG)로서의 에피소드 메모리(episodic memory), (2) 재학습이 필요 없는 LLM 보강(augmentation), (3) 검색 성능의 예측 인자로서의 그래프 속성(graph properties).