論文の概要: FABLE: Fine-grained Fact Anchoring for Unstructured Model Editing

• arxiv url: http://arxiv.org/abs/2604.12559v1
• Date: Tue, 14 Apr 2026 10:41:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.395975
• Title: FABLE: Fine-grained Fact Anchoring for Unstructured Model Editing
• Title（参考訳）: FABLE:非構造化モデル編集のためのきめ細かいFact Anchoring
• Authors: Peng Wang, Biyu Zhou, Xuehai Tang, Jizhong Han, Songlin Hu,
• Abstract要約: 構造化されていないモデル編集は、実際のテキストでモデルを更新することを目的としている。 本稿では, 全体テキスト生成から微細なファクトインジェクションを分離する階層型フレームワークFABLEを提案する。 実験により、FABLEは最先端の総合的な編集性能を維持しながら、きめ細かい質問応答を大幅に改善することが示された。
• 参考スコア（独自算出の注目度）: 28.870053452479443
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unstructured model editing aims to update models with real-world text, yet existing methods often memorize text holistically without reliable fine-grained fact access. To address this, we propose FABLE, a hierarchical framework that decouples fine-grained fact injection from holistic text generation. FABLE follows a two-stage, fact-first strategy: discrete facts are anchored in shallow layers, followed by minimal updates to deeper layers to produce coherent text. This decoupling resolves the mismatch between holistic recall and fine-grained fact access, reflecting the unidirectional Transformer flow in which surface-form generation amplifies rather than corrects underlying fact representations. We also introduce UnFine, a diagnostic benchmark with fine-grained question-answer pairs and fact-level metrics for systematic evaluation. Experiments show that FABLE substantially improves fine-grained question answering while maintaining state-of-the-art holistic editing performance. Our code is publicly available at https://github.com/caskcsg/FABLE.
• Abstract（参考訳）: 構造化されていないモデル編集は、実際のテキストでモデルを更新することを目的としている。 この問題に対処するため,本研究では,全体テキスト生成から微細なファクトインジェクションを分離する階層的フレームワークであるFABLEを提案する。 FABLEは2段階のファクトファースト戦略に従っている: 離散的な事実は浅い層に固定され、続いてより深い層に最小限のアップデートでコヒーレントなテキストを生成する。 このデカップリングは、表面形状の生成が基礎となる事実表現を補正するのではなく増幅する一方向トランスフォーマーの流れを反映して、全体的リコールときめ細かい事実アクセスのミスマッチを解消する。 また,厳密な質問応答ペアとファクトレベルのメトリクスを併用した診断ベンチマークUnFineを導入し,システム評価を行った。 実験により、FABLEは最先端の総合的な編集性能を維持しながら、きめ細かい質問応答を大幅に改善することが示された。 私たちのコードはhttps://github.com/caskcsg/FABLE.comで公開されています。

関連論文リスト

• PrefixNLI: Detecting Factual Inconsistencies as Soon as They Arise [60.63315470285562]
  MiniTruePrefixesは、テキストプレフィックスよりも事実上の矛盾をよりよく検出する、新しい特殊モデルである。 制御されたデコードフレームワークにMiniTruePrefixesを組み込むことで,抽象的な要約における現実の一貫性が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2025-11-03T09:07:44Z)
• CAAD: Context-Aware Adaptive Decoding for Truthful Text Generation [31.469511576774252]
  大規模言語モデルに対する文脈対応適応型復号法を提案する。 当社のアプローチは、TrathfulQAで平均2.8%の改善を実現しています。 モデルに依存しない,スケーラブルで,効率的な手法では,1世代パスしか必要としない。
  論文  参考訳（メタデータ） (2025-08-04T08:28:25Z)
• Localizing Factual Inconsistencies in Attributable Text Generation [74.11403803488643]
  本稿では,帰属可能なテキスト生成における事実の不整合をローカライズするための新しい形式であるQASemConsistencyを紹介する。 QASemConsistencyは、人間の判断とよく相関する事実整合性スコアを得られることを示す。
  論文  参考訳（メタデータ） (2024-10-09T22:53:48Z)
• Factual Error Correction for Abstractive Summaries Using Entity Retrieval [57.01193722520597]
  本稿では,エンティティ検索後処理に基づく効率的な事実誤り訂正システムRFECを提案する。 RFECは、原文と対象要約とを比較して、原文から証拠文を検索する。 次に、RFECは、エビデンス文を考慮し、要約中のエンティティレベルのエラーを検出し、エビデンス文から正確なエンティティに置換する。
  論文  参考訳（メタデータ） (2022-04-18T11:35:02Z)
• POINTER: Constrained Progressive Text Generation via Insertion-based Generative Pre-training [93.79766670391618]
  ハードコントラストテキスト生成のための新しい挿入ベースアプローチであるPOINTERを提案する。 提案手法は,既存のトークン間で段階的に新しいトークンを並列に挿入することによって動作する。 結果として生じる粗大な階層構造は、生成プロセスを直感的で解釈可能である。
  論文  参考訳（メタデータ） (2020-05-01T18:11:54Z)

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。