跳转至

✏️ 知识编辑

💬 EMNLP2026 · 4 篇论文解读

📌 同领域跨会议浏览: 🧠 NeurIPS2026 (8) · 📷 CVPR2026 (2) · 🔬 ICLR2026 (15) · 💬 ACL2026 (10) · 🧪 ICML2026 (8) · 🤖 AAAI2026 (4)

Editing Rules in LLMs Requires More Than a Localized Update

针对大语言模型中数学与物理规则编辑难以跨形式自洽泛化的难题,本文通过细粒度因果追踪揭示了规则知识具有形态特异性的分层存储机理(公式与描述集中于浅层,数值实例集中于中层),并据此提出分布式多层编辑框架(DMLE),在保持常规编辑指标的同时大幅提升了规则级一致性与实例迁移能力。

Generalizable Lifelong Model Editing via Preference Optimization

针对终身知识编辑中模型容易过拟合特定提示词浅层模式并导致灾难性遗忘与通用能力崩溃的问题,本文提出 GLIME 框架,通过引入与编辑提示词解耦的持续偏好优化作为行为级正则约束,并结合经验重放与在线正交基梯度投影,在大幅提升自回归生成与多跳推理泛化性的同时保护了模型的原始语言和通用能力。

Measuring the Depth of LLM Unlearning via Activation Steering

提出无须额外训练、因果干预且数据不变量化的遗忘深度指标 UDS(Unlearning Depth Score),通过两阶段跨模型激活拼接度量内部表示中遗忘知识的可恢复性,克服了输出层指标与观测型白盒探测对浅层表示偏移的误判。

Validator-Guided Decoding for Multi-Hop Knowledge Editing

针对知识编辑模型在组合多跳推理中难以直接生成正确更新答案、但仍保留较强事实校验能力的“生成-验证差距”,本文提出校验器引导解码(VGD),通过训练轻量校验器作为外部正确性信号,实现高置信候选直接采纳与低置信候选定向修正,显著提升多跳编辑一致性与准确率。