本文是LLM系列文章,针对《GeoEdit: Geometric Knowledge Editing for Large Language Models》的翻译。
主要内容
- 研究背景:大语言模型知识更新需求促使多种编辑方法涌现,但现有基于训练的方法在融入新知识时难以保留通用知识,定位编辑法计算开销大且需额外数据,微调法易影响无关知识,F-Learning难以平衡新旧知识。
- 相关工作:介绍知识编辑现有方法,包括微调、元学习和定位编辑法,指出它们在平衡新知识更新和保留无关知识方面的不足,引出改进微调方法的研究方向。
- GeoEdit方法:
- 提取神经元级任务向量:分别在旧、新知识数据集微调初始模型,获取神经元级任务向量,分析其方向特征区分不同神经元。
- 使用自动编码器降维:用自动编码器将任务向量映射到低维空间,减少高维向量角度偏差,提高编辑准确性。
- 几何知识编辑:计算低维空间中任务向量夹角,依角度分类神经元,对不同类别神经元采用正交、协同、冲突知识编辑策略,利用重要性引导任务向量融合技术确定融合