Memory-Based Model Editing at Scale

本文是LLM系列文章，针对《Memory-Based Model Editing at Scale》的翻译。

摘要

即使是最大的神经网络也会出错，而曾经正确的预测可能会随着世界的变化而失效。模型编辑器对基础(预训练)模型的行为进行局部更新，以注入更新的知识或纠正不期望的行为。现有的模型编辑器已经显示出了希望，但是也受到表达能力不足的困扰:它们难以准确地为编辑的预期范围(受编辑影响的示例)建模，导致对与编辑松散相关的测试输入的不准确预测，并且在许多编辑之后它们经常完全失败。作为一种更高容量的替代方案，我们提出了带有检索增强反事实模型(SERAC)的半参数编辑，该模型将编辑存储在显式内存中，并学习对它们进行推理，以便根据需要调整基本模型的预测。为了对模型编辑器进行更严格的评估，我们介绍了基于问题回答、事实检查和对话生成的三个具有挑战性的语言模型编辑问题。我们发现，只有SERAC在所有三个问题上都实现了高性能，并且始终比现有的模型编辑方法表现出色。代码、数据和其他项目信息将在https://sites.google.com/view/serac-editing上提供。

1 引言

2 模型编辑问题

3 基于检索增强反事实模型的半参数编辑

4 数据集和评估

5 实验

6 相关工作

7 讨论