标签
本文介绍了ASAM（面向多模态知识编辑的对抗性子空间对齐），该方法通过生成对抗但语义一致的变体，并强制对表示进行低秩对齐，提升了内在多模态知识编辑的泛化性，解决了现有方法泛化能力有限的问题。
本文对大型语言模型中多语言知识编辑的向量合并方法进行了实证评估，发现共享协方差的向量求和是最可靠的策略，并指出任务奇异向量合并（TSVM）在减少多语言干扰方面的效果有限。
本文在多模态知识编辑中发现了一种称为实体身份混淆的故障模式，即模型错误地绑定图像-实体关系。文章提出了EC-Bench用于诊断该问题，并探讨了缓解策略以实现更可靠的编辑。