論文の概要: KEditVis: A Visual Analytics System for Knowledge Editing of Large Language Models

• arxiv url: http://arxiv.org/abs/2603.29689v1
• Date: Tue, 31 Mar 2026 12:45:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.659315
• Title: KEditVis: A Visual Analytics System for Knowledge Editing of Large Language Models
• Title（参考訳）: KEditVis:大規模言語モデルの知識編集のためのビジュアル分析システム
• Authors: Zhenning Chen, Hanbei Zhan, Yanwei Huang, Xin Wu, Dazhen Deng, Di Weng, Yingcai Wu,
• Abstract要約: KEditVisは、ユーザが知識編集をより深く理解するのを支援するために設計された、新しいビジュアル分析システムである。 KEditVisでは、ユーザーは編集対象として適切なレイヤを選択し、非効率的な編集の背景にある理由を調べ、よりターゲット的で効果的な編集を行うことができる。
• 参考スコア（独自算出の注目度）: 40.75210566048808
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large Language Models (LLMs) demonstrate exceptional capabilities in factual question answering, yet they sometimes provide incorrect responses. To address this issue, knowledge editing techniques have emerged as effective methods for correcting factual information in LLMs. However, typical knowledge editing workflows struggle with identifying the optimal set of model layers for editing and rely on summary indicators that provide insufficient guidance. This lack of transparency hinders effective comparison and identification of optimal editing strategies. In this paper, we present KEditVis, a novel visual analytics system designed to assist users in gaining a deeper understanding of knowledge editing through interactive visualizations, improving editing outcomes, and discovering valuable insights for the future development of knowledge editing algorithms. With KEditVis, users can select appropriate layers as the editing target, explore the reasons behind ineffective edits, and perform more targeted and effective edits. Our evaluation, including usage scenarios, expert interviews, and a user study, validates the effectiveness and usability of the system.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、現実の質問応答において例外的な能力を示すが、時に誤った応答を提供する。 この問題に対処するために,LLMの事実情報を修正する効果的な手法として知識編集技術が登場した。 しかし、一般的な知識編集ワークフローは、編集のためのモデルレイヤの最適セットを特定し、十分なガイダンスを提供する要約指標に依存している。 この透明性の欠如は、最適な編集戦略の効果的な比較と識別を妨げる。 本稿では,対話型視覚化による知識編集の深い理解,編集結果の改善,知識編集アルゴリズムの今後の発展に向けた貴重な洞察の発見を支援する,新しいビジュアル分析システムKEditVisを提案する。 KEditVisでは、ユーザーは編集対象として適切なレイヤを選択し、非効率的な編集の背景にある理由を調べ、よりターゲット的で効果的な編集を行うことができる。 利用シナリオ,専門家インタビュー,ユーザスタディなどを含む評価は,システムの有効性とユーザビリティを検証している。

関連論文リスト

• CoEditor++: Instruction-based Visual Editing via Cognitive Reasoning [98.98349220451216]
  CoEditor++は、編集を"編集する方法"と"編集方法"に分解する、トレーニング不要のフレームワークである。 我々は,CoEditor++が編集タスクと編集タスクの両方において,最先端のパフォーマンスを実現することを示す。 以上の結果から,認知中心型画像編集の可能性が示唆された。
  論文  参考訳（メタデータ） (2026-01-31T12:20:46Z)
• InComeS: Integrating Compression and Selection Mechanisms into LLMs for Efficient Model Editing [86.17245523439514]
  In-context Learningは、コンテキストエンコーディングを通じて編集情報を解釈することで、有望な編集方法である。 この方法は、大きな言語モデルの限られたコンテキストウィンドウによって制約される。 編集コンテキストの処理能力を向上させるフレキシブルなフレームワークであるInComeSを提案する。
  論文  参考訳（メタデータ） (2025-05-28T09:20:18Z)
• K-Edit: Language Model Editing with Contextual Knowledge Awareness [71.73747181407323]
  知識に基づくモデル編集は、大きな言語モデルの重みを正確に修正することを可能にする。 我々は、文脈的に一貫した知識編集を生成するための効果的なアプローチであるK-Editを提案する。
  論文  参考訳（メタデータ） (2025-02-15T01:35:13Z)
• Uncovering Overfitting in Large Language Model Editing [35.55260822503773]
  編集対象に不均等に高い確率を割り当てる編集オーバーフィット現象を同定し,検討する。 本稿では,多段階推論制約モジュールを導入し,新しい知識をリコールする際のモデルをガイドするLearning the Inference (LTI)を提案する。
  論文  参考訳（メタデータ） (2024-10-10T11:09:00Z)
• Knowledge Graph Enhanced Large Language Model Editing [37.6721061644483]
  大規模言語モデル(LLM)は、自然言語処理(NLP)タスクの進行において重要な要素である。 既存の編集方法は、編集に関連する知識の変化を追跡し、組み込むのに苦労する。 知識グラフを利用した新しいモデル編集手法を提案し,LLM編集の強化,すなわちGLAMEを提案する。
  論文  参考訳（メタデータ） (2024-02-21T07:52:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。