arXiv cs.AI· Haoben Huang, Shuxin Liu, Ou Wu, Di Gao·· 3 天前AI 评分20
JNO：通过压力感知联合邻域优化重新审视知识编辑中的涟漪效应
Revisiting Ripple Effects in Knowledge Editing through Pressure-Aware Joint Neighborhood Optimization
AI 导读
针对大语言模型单次编辑引发的涟漪效应，研究者提出知识编辑框架 JNO，将可编辑侧协调与保留侧泄漏两种耦合设计压力在目标规划阶段联合建模。JNO 通过压力感知协调（PAC）在耦合约束下联合优化邻域目标表示，并引入语义预执行门在参数执行前拒绝高风险目标方案。在 RippleEdits 上，JNO 将传播与保留指标提升至少 7.0%，同时保持跨骨干编辑稳定性。
正文 · AI 翻译
摘要：大语言模型中的单次编辑更新可能引发局部知识邻域的连锁反应：对相关事实的理想传播以及对保留事实的意外扰动。现有方法分别处理这两种效应，而未显式建模它们的耦合关系。我们通过分析典型基线方法中的连锁响应来挑战这种分离，识别出两种耦合的设计压力：可编辑侧协调与保留侧泄漏。我们提出联合邻域优化（JNO），一种新的知识编辑框架，在目标规划阶段形式化并联合解决这两种压力。JNO 通过压力感知协调（PAC）实例化这一原则，PAC 在耦合约束下联合优化邻域目标表示，并采用语义预执行门控，在参数执行前拒绝高风险目标计划。在 RippleEdits 上的实验表明，JNO 将传播和保留指标提升至少 7.0%，同时保持跨骨干网络的编辑稳定性。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2606.01610 [cs.AI] |
| （或 arXiv:2606.01610v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.01610 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Shuxin Liu [查看电子邮件]
[v1]
2026年6月1日星期一 03:00:13 UTC（9,067 KB）
[v2]
2026年10月13日星期二 12:25:15 UTC（10,102 KB）
来源：arXiv cs.AI · arxiv.org