【大语言模型】ACL2024论文-23 检索增强的多语言知识编辑

---

目录

---

检索增强的多语言知识编辑（Retrieval-augmented Multilingual Knowledge Editing）

摘要

本文提出了一种名为检索增强多语言知识编辑器（ReMaKE）的方法，旨在更新大型语言模型（LLMs）中的知识。由于LLMs中的知识经常不正确或过时，且通过微调更新知识计算成本高昂且不可靠，因此知识编辑（KE）作为一种有效且经济的替代方案应运而生。当前的KE研究主要集中在单一语言设置中，通常是英语。ReMaKE通过从多语言知识库检索新知识并与提示串联，实现多语言设置中的模型无关知识编辑。实验结果表明，ReMaKE在多语言环境中的表现超过了基线知识编辑方法，是首个在多语言设置中工作的知识编辑方法。研究者还提供了一个包含12种语言的多语言知识编辑数据集（MzsRE），以及代码和额外的项目信息。

研究背景

大型语言模型（LLMs）在搜索引擎和其他下游任务中被用作事实知识的来源。尽管取得了显著进展，LLMs中的事实可能是错误的或随着世界的变化而过时。从头开始预训练或微调LLMs以适应新知识不仅计算成本高昂，而且不能保证成功。因此，研究者提出了知识编辑（KE）技术，作为微调的有效替代方案，用于在LLMs中添加或更新特定事实。KE可以涉及更新模型参数或添加额外组件。尽管对此问题兴趣浓厚，当前的KE研究集中在单一语言设置中，通常是英语。然而，如果新知识以一种语言提供，而我们希望在另一种语言中查询LLM，该怎么办？为了解决多语言知识编辑问题，研究者提出了ReMaKE。

问题与挑战

多语言知识编辑面临的挑战包括：

1. 跨语言知识传播：如何在一种语言中编辑知识，并在所有其他语言中传播这些更改。
2. 检索相关性：开发能够根据用户输入提取高度相关信息的多语言检索器。
3. 上下文干扰：减少由于不相关事实而产生的上下文干扰。
4. 模型和语言不可知：开发一种不依赖于特定LLM或语言设置的知识编辑框架。

如何解决

ReMaKE通过以下方式解决上述挑战：

• 多语言知识检索：通过将查询和知识库条目映射到共享的多语言嵌入空间，并训练分类器来确定知识事实是否与查询语义相关。
• 多语言上下文编辑：ReMaKE执行零次拍摄和几次拍摄编辑，通过将检索到的结果与用户输入串联形成提示，以预测输出。
• 模型和语言不可知：ReMaKE可以应用于任何LLM，并且是可扩展的，可以跨不同语言编辑大量事实。

核心创新点

ReMaKE的核心创新点包括：

1. 检索增强的多语言知识编辑框架：ReMaKE是首个能够在多语言设置中工作的多语言知识编辑框架。
2. 检索器的高相关性：开发的多语言检索器能够提取与用户输入高度相关的信息，减少上下文干扰。
3. 零次拍摄和几次拍摄编辑：ReMaKE能够执行零次拍摄和几次拍摄编辑，提高了编辑的灵活性和效果。

算法模型

ReMaKE由两个阶段组成：多语言知识检索和多语言上下文编辑。在多语言知识检索阶段，ReMaKE使用一个简单的多语言检索模型来搜索知识库中与查询最相关的事实上。在多语言上下文编辑阶段，ReMaKE执行零次拍摄和几次拍摄编辑，通过将检索到的知识与用户查询串联起来创建提示。

实验效果（包含重要数据与结论）

实验结果表明，ReMaKE在多语言环境中的表现超过了基线知识编辑方法。ReMaKE在12种语言中的平均准确率得分从最小的+24.76（捷克语）增加到最大的+58.72（俄语），表明这种方法已准备好大规模部署。具体数据包括：

• 可靠性：ReMaKE在各种语言中的可靠性得分均高于基线方法，显示出较高的平均准确率。
• 通用性：ReMaKE在处理被改写输入时的平均准确率也高于基线方法，表明其在提示框架偏差下的有效性。
• 局部性：ReMaKE在响应知识编辑后不相关语义查询的平均准确率上表现优异，测试了知识编辑器仅更新所需知识而不影响模型中其他知识的能力。
• 可移植性：ReMaKE在需要推理的问题上的平均准确率得分高于基线方法，表明KE有效地适应了LLMs的知识以支持推理。

相关工作

相关工作主要集中在单语言知识编辑方法上，这些方法可以分为四个主要范式：超网络编辑器、定位和编辑编辑器、插件编辑器和基于提示的编辑器。这些方法都是基于模型依赖的单语言方法，编辑性能不可靠且可扩展性低。ReMaKE解决了这些问题，并将KE扩展到多语言场景，涵盖了许多事实。

后续优化方向

未来的工作将集中在以下几个方向：

1. 扩展知识库：研究者计划扩展知识库以适应现实世界的应用，并研究大容量知识库对关键指标的影响。
2. 改进检索器：提高检索器的准确性，特别是在处理某些语言（如中文和俄语）时。
3. 多语言模板开发：开发正式的多语言模板，以适应更广泛任务的范围。
4. 推理能力提升：研究如何通过KE方法影响LLMs的推理能力，以提高可移植性得分。

---

后记

如果您对我的博客内容感兴趣，欢迎三连击 ( 点赞、收藏和关注）和留下您的评论，我将持续为您带来计算机人工智能前沿技术(尤其是AI相关的大语言模型，深度学习和计算机视觉相关方向)最新学术论文及工程实践方面的内容分享，助力您更快更准更系统地了解 AI前沿技术。