Feb, 2024

使用非结构化事实更新语言模型：实现实用的知识编辑

PDF
TL;DR知识编辑目标是将知识更新注入语言模型中以保持其正确性和最新性。然而，当前的评估策略明显不实用：它们仅以精心策划的结构化事实（包含主语、关系和宾语的三元组）进行更新，而真实世界的知识更新通常出现在无结构的文本中，如新闻文章。本文提出一个新的基准，无结构知识编辑（Unstructured Knowledge Editing，简称 UKE），直接使用无结构的文本作为知识更新进行编辑性能评估，从而避免了繁琐的结构化事实构建，并实现了高效和响应性的知识编辑，成为一个更实用的基准。我们在新构建的数据集上进行了广泛的实验，并证明 UKE 对于最先进的知识编辑方法构成了重大挑战，导致它们的性能显著下降。我们进一步展示，即使将三元组提取为结构化事实，这个挑战仍然存在。我们的分析揭示了激励未来 UKE 研究的关键见解，以实现更实用的知识编辑。
knowledge editingevaluation strategiesunstructured knowledge editingunstructured factsknowledge editing methods
发现论文，激发创造
  • UnKE: 大型语言模型中的非结构化知识编辑

    提出了一种名为 UnKE 的新型非结构化知识编辑方法，通过在层次和标记维度进行扩展，实现了对复杂和全面的非结构化知识的有效表示和编辑，取得了显著的性能提升。

    May, 2024

  • 通过关系视角评估语言模型中的知识编辑

    该研究构建了一个名为 RaKE 的基准，专注于基于关系的知识编辑，并通过创新的评估指标和全面的实验研究，确认了关系在事实三元组中的作用，为未来的基于关系的知识编辑方法提供了实验支持。

    Nov, 2023

  • 事件级知识编辑

    知识编辑通过在大型语言模型中更新知识来防止其过时。本文提出一种新的任务设置：事件级别知识编辑，通过将新事件直接编辑到大型语言模型中来改进传统的三元组级别编辑。我们构建了一个高质量的事件级别编辑基准 ELKEN，其中包括 1,515 个事件编辑、6,449 个关于事实知识的问题和 10,150 个关于未来趋势的问题。我们系统评估了各种知识编辑方法和大型语言模型在这个基准上的性能，并发现 ELKEN 对现有知识编辑方法提出了显著挑战。我们的代码和数据集已公开发布，以促进进一步的研究。

    Feb, 2024

  • 编辑语言模型中的事实知识

    本文介绍 KnowledgeEditor 一种方法，用于编辑语言模型中的知识，以修复 “错误” 或意外预测，且不需要重新训练或以元学习为前提条件。作者使用受约束的优化来训练一个超网络，该超网络可预测权重更新。作者展示了 KnowledgeEditor 的有效性，其支持两种流行的体系结构和知识密集型任务：一种是针对事实核对进行细微调整的 BERT 模型，另一种是适用于问答的序列到序列 BART 模型。

    Apr, 2021

  • 基于语言模型的知识图谱嵌入编辑

    本研究提出了一种新的任务，即在不影响其余表现的情况下编辑语言模型 KG 基础嵌入，并构建了四个新数据集来评估多个知识编辑基线和一种名为 KGEditor 的新方法，其利用超级网络的其他参数层来编辑和添加事实，实验结果表明 KGEditor 可以在具有低训练资源但需要更新特定事实的情况下表现更好。

    Jan, 2023

  • 基于事实的文本编辑

    我们提出了一种名为事实为本文本编辑的新任务，通过使用神经网络架构 FactEditor，其通过参考给定的知识库中的事实来编辑草稿文本，在实验中证明在忠实度和流畅性方面均优于编码解码模型，并且较编码器解码器方法具有更快的推理速度。

    Jul, 2020

  • DUnE: 统一编辑的数据集

    本研究扩大了模型编辑问题的范围，包括去偏和修正推理错误等各种编辑情况，并提出了自然语言表达为编辑的 DUnE 基准。通过大量实验证明，检索增强语言建模可以胜过专门的编辑技术，而两种方法都没有完全解决我们基准涵盖的广义编辑问题。

    Nov, 2023

  • 检测语言模型中的编辑知识

    知识编辑技术可以更新语言模型从预训练中学到的过时或不准确的知识，我们通过引入一个新的任务来研究如何检测语言模型中的编辑知识，提出了一个简单的分类器 RepReg，它可以在有限的训练样本下实现接近最优的性能。

    May, 2024

  • Eva-KELLM: 一个用于评估 LLMs 的知识编辑的新基准

    评估大型语言模型的知识编辑能力和知识迁移效果的新基准 Eva-KELLM，采用原始文档进行知识编辑，从多个角度评估其效果，研究发现当前使用原始文档进行知识编辑的方法在处理修改后的知识以及跨语言知识迁移时效果不佳。

    Aug, 2023

  • 黑盒大型语言模型的知识编辑

    当前研究主要关注白盒大语言模型（LLMs）编辑，忽略了一个重要的场景：黑盒 LLMs 编辑，其中 LLMs 通过接口进行访问，仅有文本输出可用。为了解决现有评估不适用于黑盒 LLMs 编辑且不具备全面性的局限性，我们提出了一个多角度评估框架，首次加入了风格保留的评估。为了解决当前方法中的编辑数据隐私泄露和过度编辑风格的问题，我们引入了一种新的 postEdit 框架，通过下游后处理解决隐私问题，并通过细粒度编辑保持文本风格一致。两个基准实验和分析表明，postEdit 超过了所有对比基准并实现了强大的泛化性能，特别是在风格保留上获得了巨大的提升（平均提高了 20.82%）。

    Feb, 2024