新的DOW-KE方法对LLM知识编辑进行端到端优化

研究人员推出了一种新颖的无锚点方法DOW-KE，用于大型语言模型的知识编辑。与优化中间表示的先前多层编辑技术不同，DOW-KE直接对模型权重进行端到端优化。这种方法确保了部署的编辑正是经过优化的内容，从而解决了旧方法中的闭包差距。DOW-KE还将知识保留直接集成到更新参数化中，防止编辑破坏现有信息。在多个数据集和模型上的评估表明，DOW-KE在实现高分数和邻域特异性方面表现优越。 AI

影响 这种新方法可以提高LLM用新信息更新的准确性和效率，而不会损害现有知识。

排序理由 该集群包含一篇研究论文，详细介绍了LLM知识编辑的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• DOW-KE
• Gotit.pub
• Hugging Face
• IArxiv
• ScienceCast

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →