論文の概要: AnyEdit++: Adaptive Long-Form Knowledge Editing via Bayesian Surprise

• arxiv url: http://arxiv.org/abs/2606.01053v1
• Date: Sun, 31 May 2026 06:48:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 00:57:58.938451
• Title: AnyEdit++: Adaptive Long-Form Knowledge Editing via Bayesian Surprise
• Title（参考訳）: AnyEdit++:Bayesianによる適応的な長文の知識編集
• Authors: Bowen Tian, Caixue He, Jiemin Wu, Jingying Wang, Wenshuo Chen, Zexi Li, Yutao Yue,
• Abstract要約: 我々はBayes-Chunkを組み込んだ構造対応フレームワークであるAnyEdit++を提案する。 我々はAnyEdit++が最先端のベースラインに比べて優れたパフォーマンスと堅牢性を実現していることを示す。
• 参考スコア（独自算出の注目度）: 10.675226603704937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Editing complex, long-form knowledge in Large Language Models remains a significant challenge due to the difficulty of maintaining generation coherence. Existing autoregressive methods like AnyEdit alleviate length constraints but rely on Fixed-window Chunking, which disregards logical structure and compromises consistency. To address this, we present AnyEdit++, a structure-aware framework incorporating Bayes-Chunk, an adaptive segmentation mechanism that dynamically identifies semantic boundaries based on Bayesian Surprise. We underpin this approach with a theoretical framework establishing two key principles: (1) Structural Independence: we prove that cross-segment interference is minimized when anchor keys are geometrically orthogonal (a condition naturally satisfied by our surprisal-based boundaries but violated by fixed windows), and (2) Causal Locality: we demonstrate that updates injected at these semantic peaks yield strictly superior control compared to arbitrary split points. Extensive experiments across mathematical reasoning, code generation, and narrative tasks demonstrate that AnyEdit++ achieves superior performance and robustness compared to state-of-the-art baselines, validating that structural awareness is critical for effective long-form knowledge editing.
• Abstract（参考訳）: 大規模言語モデルにおける複雑な長期的知識の編集は、生成コヒーレンスを維持するのが困難であるため、依然として大きな課題である。 AnyEditのような既存の自動回帰メソッドは長さ制限を緩和するが、論理構造を無視し、一貫性を損なう固定ウィンドウチャンキングに依存している。 そこで本稿では,Bayes-Chunkを組み込んだ構造認識フレームワークであるAnyEdit++を提案する。 我々は,(1) 構造的独立性: アンカーキーが幾何学的に直交している場合,クロスセグメント干渉が最小となること,(2) 因果局所性: 意味的ピークで注入された更新が任意の分割点よりも厳密に制御できることを示す。 数学的推論、コード生成、ナラティブタスクにわたる広範な実験は、AnyEdit++が最先端のベースラインよりも優れたパフォーマンスと堅牢性を達成し、構造的認識が効果的な長文の知識編集に重要であることを実証している。

関連論文リスト

• AnchorSteer: Self-Discovered Concept Injection for Structure-Preserving Music Editing [14.255074251309168]
  AnchorSteerは、構造的アンカーと自己発見のセマンティックステアリングを結合することで緊張を解消するフレームワークである。 提案手法は内部表現を探索し,解釈可能なラベルのない概念ベクトルを抽出する。 ZoME-Benchと主観的テストの実験では、提案フレームワークはステアリングのみのベースラインとアンカーのみのベースラインの両方に優れていた。
  論文  参考訳（メタデータ） (2026-05-29T09:25:55Z)
• The Labyrinth and the Thread: Rethinking Regularizations in Sequential Knowledge Editing for Large Language Models [15.376868559569623]
  我々はまずAlphaEditの実証的な成功を分析し、厳密な最適化分析により、1回と逐次編集の形式的等価性を確立する。 信頼性の高いシーケンシャルアップデートには,多くの一般的な正規化戦略が不要であることを実証的に確認する。 私たちの研究は、Ariadne氏のスレッドにシーケンシャルな編集のラビリンスを通し、よりシンプルで、より解釈可能で、信頼性の高い知識更新への道をチャート化します。
  論文  参考訳（メタデータ） (2026-05-26T08:07:25Z)
• Beyond the Covariance Trap: Unlocking Generalization in Same-Subject Knowledge Editing for Large Language Models [18.348253900450093]
  モデルでは、元の編集形式でのリコールに成功しながらも、ユーザ命令に従う際に、更新された知識をリコールすることができないことを示す。 等方的幾何アライメントを用いて表現の偏差を最小限に抑えるRoSE(Robust Same-subject Editing)と階層的知識統合(Hierarchical Knowledge Integration)を導入し,最適化景観の円滑化を図る。
  論文  参考訳（メタデータ） (2026-03-16T16:44:54Z)
• Semantics-Aligned, Curriculum-Driven, and Reasoning-Enhanced Vulnerability Repair Framework [15.17681731375364]
  SeCuRepairは、セマンティクスに準拠し、カリキュラム駆動で、脆弱性修復のための推論強化フレームワークである。 コアとなるSeCuRepairは、理由と脆弱性の修正方法をモデルに明記する必要がある、合理的に編集されたパラダイムを採用している。 SeCuRepairはまた、従来の教師付き微調整を超えて、セマンティックス対応の強化学習を採用している。
  論文  参考訳（メタデータ） (2025-10-01T15:09:27Z)
• DisProtEdit: Exploring Disentangled Representations for Multi-Attribute Protein Editing [48.819599672346136]
  DisProtEditは、デュアルチャネル自然言語管理を利用する制御可能なタンパク質編集フレームワークである。 DisProtEditは、明示的にセマンティックファクタを分離し、モジュールと解釈可能なコントロールを可能にする。
  論文  参考訳（メタデータ） (2025-06-17T06:12:18Z)
• Tady: A Neural Disassembler without Structural Constraint Violations [14.794789423601552]
  改良されたモデルアーキテクチャと専用の後処理アルゴリズムを備えたニューラルディスアセンブラであるTadyを紹介する。 そこで,Tadyは命令レベルの精度を維持しつつ,構造的制約違反や関数を高い効率で効果的に除去することを示した。
  論文  参考訳（メタデータ） (2025-06-16T10:11:43Z)
• Tuning-Free Image Editing with Fidelity and Editability via Unified Latent Diffusion Model [60.82962950960996]
  拡散遅延最適化を行うチューニング不要なUnifyEditを導入する。 本研究では, 自己注意保持制約(SA)と相互注意アライメント制約(CA)の2つを開発し, テキストアライメントの強化を図る。 提案手法は,様々な編集作業における構造保存とテキストアライメントのバランスを保ち,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2025-04-08T01:02:50Z)
• DuCos: Duality Constrained Depth Super-Resolution via Foundation Model [56.88399488384106]
  ラグランジアン双対性理論に基づく新しい深度超解像フレームワークであるDuCosを紹介する。 DuCosは、ファンデーションモデルをプロンプトとして、さまざまなシナリオにおける一般化を著しく改善した最初の企業だ。
  論文  参考訳（メタデータ） (2025-03-06T07:36:45Z)
• EVEDIT: Event-based Knowledge Editing with Deductive Editing Boundaries [69.72012539060731]
  大規模言語モデル(LLM)における効率的な知識編集(KE)の理論的枠組みを導入する。 本稿では,事象をイベント記述と組み合わせたイベントベースの知識編集タスクを提案する。 編集モデルにおける不確実性を解消するための既存の設定よりもイベントベースの編集の方が優れていることを実証的に示す。
  論文  参考訳（メタデータ） (2024-02-17T16:34:50Z)
• Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
  本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。 提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
  論文  参考訳（メタデータ） (2024-01-17T09:01:29Z)

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。