Une étude approfondie sur l'édition des connaissances pour les grands modèles de langage

Résumé

Les modèles de langage de grande taille (LLMs) ont démontré des capacités extraordinaires dans la compréhension et la génération de texte qui reflète étroitement la communication humaine. Cependant, une limitation majeure réside dans les importantes demandes computationnelles lors de l'entraînement, découlant de leur paramétrisation extensive. Ce défi est encore accentué par la nature dynamique du monde, nécessitant des mises à jour fréquentes des LLMs pour corriger des informations obsolètes ou intégrer de nouvelles connaissances, assurant ainsi leur pertinence continue. Il est à noter que de nombreuses applications exigent des ajustements continus du modèle après l'entraînement pour remédier à des lacunes ou à des comportements indésirables. Il y a un intérêt croissant pour des méthodes efficaces et légères permettant des modifications du modèle à la volée. À cette fin, ces dernières années ont vu un essor des techniques d'édition de connaissances pour les LLMs, qui visent à modifier efficacement les comportements des LLMs dans des domaines spécifiques tout en préservant les performances globales sur diverses entrées. Dans cet article, nous définissons d'abord le problème de l'édition de connaissances, puis nous fournissons une revue complète des approches de pointe. En nous inspirant des théories de recherche en éducation et en cognition, nous proposons un critère de catégorisation unifié qui classe les méthodes d'édition de connaissances en trois groupes : recourir à des connaissances externes, fusionner des connaissances dans le modèle, et éditer les connaissances intrinsèques. De plus, nous introduisons un nouveau benchmark, KnowEdit, pour une évaluation empirique complète des approches représentatives d'édition de connaissances. Par ailleurs, nous fournissons une analyse approfondie de la localisation des connaissances, qui peut offrir une compréhension plus profonde des structures de connaissances inhérentes aux LLMs. Enfin, nous discutons de plusieurs applications potentielles de l'édition de connaissances, en soulignant ses implications vastes et impactantes.

English

Large Language Models (LLMs) have shown extraordinary capabilities in understanding and generating text that closely mirrors human communication. However, a primary limitation lies in the significant computational demands during training, arising from their extensive parameterization. This challenge is further intensified by the dynamic nature of the world, necessitating frequent updates to LLMs to correct outdated information or integrate new knowledge, thereby ensuring their continued relevance. Note that many applications demand continual model adjustments post-training to address deficiencies or undesirable behaviors. There is an increasing interest in efficient, lightweight methods for on-the-fly model modifications. To this end, recent years have seen a burgeoning in the techniques of knowledge editing for LLMs, which aim to efficiently modify LLMs' behaviors within specific domains while preserving overall performance across various inputs. In this paper, we first define the knowledge editing problem and then provide a comprehensive review of cutting-edge approaches. Drawing inspiration from educational and cognitive research theories, we propose a unified categorization criterion that classifies knowledge editing methods into three groups: resorting to external knowledge, merging knowledge into the model, and editing intrinsic knowledge. Furthermore, we introduce a new benchmark, KnowEdit, for a comprehensive empirical evaluation of representative knowledge editing approaches. Additionally, we provide an in-depth analysis of knowledge location, which can provide a deeper understanding of the knowledge structures inherent within LLMs. Finally, we discuss several potential applications of knowledge editing, outlining its broad and impactful implications.

Une étude approfondie sur l'édition des connaissances pour les grands modèles de langage

A Comprehensive Study of Knowledge Editing for Large Language Models

Résumé

Support