論文の概要: HyperPatch: Sequential Knowledge Editing Under n-ary Structural Drift
- arxiv url: http://arxiv.org/abs/2606.03179v1
- Date: Tue, 02 Jun 2026 05:35:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 22:00:04.779905
- Title: HyperPatch: Sequential Knowledge Editing Under n-ary Structural Drift
- Title（参考訳）: HyperPatch: n-ary構造ドリフト下での逐次的知識編集
- Authors: Yu-Kai Chan, Wen-Sheng Lien, Dong-Ting Yao, Bo-Kai Ruan, Kwan-Yeung Lin, Hong-Han Shuai, Meng-Fen Chiang,
- Abstract要約: 大きな言語モデル(LLM)は、時間的妥当性を維持するために知識編集(KE)に依存しているが、現実の知識は本質的にn-aryである。
非定常環境において、複素関係の逐次更新はN-ary Structure Driftを誘導することを示した。
ハイパーグラフ多様体上の安定性問題としてシーケンシャルKEを再構成するパラメータ保存フレームワークであるHyperPatchを提案する。
- 参考スコア（独自算出の注目度）: 21.753671073125602
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large Language Models (LLMs) rely on Knowledge Editing (KE) to maintain temporal validity, yet real-world knowledge is inherently n-ary. We demonstrate that in non-stationary environments, sequential updates to complex relations induce N-ary Structural Drift, a phenomenon where the binary reification of n-ary events into triples fractures relational atomicity. This precipitates Structure-Conditioned Knowledge Transfer Failure, a systematic mis-grounding of the retriever frequently misdiagnosed as parametric hallucination. To tackle this, we propose HyperPatch, a parameter-preserving framework that reformulates sequential KE as a stability problem over hypergraph manifolds. HyperPatch preserves event integrity through three phases: (i) Structural Prior Initialization, establishing a topology-aware embedding space via contrastive learning on a Hypergraph Neural Network (HGNN) to capture high-order correlations; (ii) Sequential Topology Editing, utilizing a dual-stage mechanism that employs SimHash-based Topological Alignment for rapid conflict resolution and Topological LoRA Adaptation to track drift without backbone retraining; and (iii) Structure-Conditioned Reasoning, which integrates globally consistent evidence from fused linguistic and structural manifolds. On the MQuAKE-CF and MQuAKE-T benchmarks, HyperPatch achieves relative gains in Hop-wise Accuracy (H-Acc) of 96.24% and 21.06% over the strongest baseline, respectively. Further ablations demonstrate superior reliability under continuous n-ary update streams, whereas the standard KG-based variant suffers H-Acc collapses of up to 88.3% due to structural misalignment.
- Abstract（参考訳）: 大きな言語モデル(LLM)は、時間的妥当性を維持するために知識編集(KE)に依存しているが、現実の知識は本質的にn-aryである。
非定常環境では、複雑な関係の逐次更新はN-ary Structure Driftを誘導する。
これは、しばしばパラメトリック幻覚として誤診断されるレトリバーの体系的誤座である構造決定的知識伝達失敗を誘発する。
これを解決するために,超グラフ多様体上の安定問題として逐次KEを再構成するパラメータ保存フレームワークであるHyperPatchを提案する。
HyperPatchは3つのフェーズを通じてイベントの整合性を維持する。
一 ハイパーグラフニューラルネットワーク(HGNN)上のコントラスト学習によるトポロジに配慮した埋め込み空間を確立して、高次相関を捉えること。
(II)SimHashをベースとしたトポロジカルアライメントを用いた2段階のトポロジカル編集と、背骨再トレーニングなしでドリフトを追跡するトポロジカルロラ適応を併用したシーケンストポロジカル編集
第三に、融合言語および構造多様体のグローバルな一貫した証拠を統合する構造決定推論。
MQuAKE-CF と MQuAKE-T のベンチマークでは、HyperPatch はホップワイド精度 (H-Acc) が96.24%、ベースラインが21.06% である。
さらに、連続的なn-ary更新ストリームでは信頼性が向上する一方、標準のKGベースの変種は構造的ミスアライメントにより最大88.3%のH-Acc崩壊を経験する。
関連論文リスト
- Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。
既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。
動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-25T09:57:46Z) - scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement [84.88065404629079]
scHelixは、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである。
scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用する。
scHelixは最先端のメソッドより優れています。
論文 参考訳（メタデータ） (2026-05-18T15:55:13Z) - Improving Spatio-Temporal Residual Error Propagation by Mitigating Over-Squashing [4.62541204592513]
本稿では,エラー関連自己回帰予測の時間的制限を克服する構造的不確実性モジュールであるTegerを紹介する。
Tegerはバックボーンに依存しないため、自己回帰エンコーダによって生成される潜伏状態のみを必要とする。
論文 参考訳（メタデータ） (2026-05-18T08:51:33Z) - DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。
我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。
この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
論文 参考訳（メタデータ） (2026-04-08T07:01:24Z) - A Systematic Empirical Study of Grokking: Depth, Architecture, Activation, and Regularization [0.0]
暗記からニューラルネットワークの一般化への遅れた遷移をグロッキングすることは、まだ理解されていない。
モジュラー加算に関する因子を系統的に分散させる制御された研究(mod 97)を提案する。
我々の中心的な発見は、グラッキングダイナミクスはアーキテクチャーによって決定されるのではなく、安定性と正規化の間の相互作用によって決定されることである。
論文 参考訳（メタデータ） (2026-03-26T04:16:01Z) - JPmHC Dynamical Isometry via Orthogonal Hyper-Connections [2.4311915994390403]
JPmHCは、n個の並列ストリームに作用するトレーニング可能な線形ミキサーでIDスキップを置き換えるフレームワークである。
緩やかな病理を予防し、安定性を高める。
両眼的ベースラインに比べて、より高速な収束、高い精度、計算コストの低減を実現している。
論文 参考訳（メタデータ） (2026-02-20T16:06:01Z) - GHS-TDA: A Synergistic Reasoning Framework Integrating Global Hypothesis Space with Topological Data Analysis [27.271992201673083]
CoT (Chain-of-Thought) は,大規模言語モデル (LLM) の推論精度を大幅に向上することが示されている。
既存のCoTメソッドには2つの基本的な制限がある。
論文 参考訳（メタデータ） (2026-02-10T14:00:30Z) - CoG: Controllable Graph Reasoning via Relational Blueprints and Failure-Aware Refinement over Knowledge Graphs [53.199517625701475]
CoGはDual-Process Theoryにインスパイアされたトレーニング不要のフレームワークで、直観と熟考の相互作用を模倣している。
CoGは精度と効率の両方において最先端のアプローチを著しく上回っている。
論文 参考訳（メタデータ） (2026-01-16T07:27:40Z) - T3former: Temporal Graph Classification with Topological Machine Learning [4.4924444466378555]
時間グラフ分類は、サイバーセキュリティ、脳接続分析、トラフィック監視などのアプリケーションにおいて重要な役割を果たす。
我々は、スライドウィンドウトポロジカルおよびスペクトルディスクリプタを1級トークンとして活用し、特殊なディスクリプタ・アテンション機構によって統合された新しいトポロジカル・テンポロジカル・トランスフォーマーT3formerを紹介する。
T3formerは、動的ソーシャルネットワーク、脳機能接続データセット、トラフィックネットワークなど、複数のベンチマークで最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-10-15T17:46:32Z) - Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。
学習力学をさらに強化するために,平均速度損失を導入する。
シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2025-10-02T11:32:00Z) - Energy-Regularized Sequential Model Editing on Hyperspheres [59.47007547581175]
大規模言語モデル(LLM)は、進化する現実世界の知識と整合性を維持するために、定期的な更新を必要とする。
逐次編集はしばしば表現を不安定にし、破滅的な忘れを誘発する。
ニューロンの重量分布を安定化するHE駆動正規化戦略であるSPHERE(Sparse Projection for Hyperspherical Energy-Regularized Editing)を提案する。
論文 参考訳（メタデータ） (2025-10-01T17:55:43Z)
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。