論文の概要: When Successful Knowledge Graph Edits Displace Correct Answers: Rank-Level Locality beyond Parameter Support
- arxiv url: http://arxiv.org/abs/2609.12116v1
- Date: Thu, 10 Sep 2026 18:44:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.515006
- Title: When Successful Knowledge Graph Edits Displace Correct Answers: Rank-Level Locality beyond Parameter Support
- Title（参考訳）: 正しい回答を編集する知識グラフが成功するとき--パラメータサポート以上のランクレベル局所性
- Abstract要約: 編集されたパラメータを再利用した事実のみに基づく局所性テストは、このランキング効果を見逃す可能性がある。
対象クエリに対する他の正しい回答と、同じ関係を持つクエリ間の正しい回答の3つの領域で、一般的なランク変位監査を導入する。
- 参考スコア（独自算出の注目度）: 12.144704591746297
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Editing a knowledge graph embedding (KGE) model to promote a desired answer can displace correct answers from the returned list. Locality tests based only on facts that reuse the edited parameter can miss this ranking effect. We introduce a common rank-displacement audit at three scopes: facts supported by the edited parameter, other correct answers to the target query, and correct answers across queries with the same relation. We also derive dimensional and geometric conditions for an update to improve the target while exactly preserving selected scores. On FB15k-237 with DistMult and ComplEx, direct promotion always moves the target into the top ten, but does so without damage in only 23.0--23.2\% of edits. Strict preservation causes no measured damage, yet succeeds in only 1.3--1.4\%. Support-regularized entity editing gives the highest joint success, 36.3--37.7\%, while rank-truncated preservation reaches 32.8--34.7\% and reduces the mean number of displaced answers from about 14 to 1.2. Experiments across dimensions, scorers, ranking conventions, and a learned editor show that locality depends on both the protected scope and the editing mechanism. KGE editing should therefore report correction success together with the incidence and severity of rank displacement.
- Abstract（参考訳）: 所望の回答を促進するために知識グラフ埋め込み(KGE)モデルを編集すると、返却されたリストから正しい回答が取り除かれる。
編集されたパラメータを再利用した事実のみに基づく局所性テストは、このランキング効果を見逃す可能性がある。
対象クエリに対する他の正しい回答と、同じ関係を持つクエリ間の正しい回答の3つの領域で、一般的なランク変位監査を導入する。
また,選択したスコアを正確に保存しながら,目標値を改善する更新のための次元的および幾何学的条件も導出する。
DistMult と ComplEx の FB15k-237 では、常にターゲットをトップ10に移動させるが、23.0--23.2 % の編集でダメージを受けない。
サポート規則化されたエンティティ編集は、36.3--37.7\%、ランク変更された保存率は32.8--34.7\%に達し、変位した回答の平均数は14から1.2に減少する。
ディメンション、スコア、ランキング・コンベンション、学習されたエディタの実験では、局所性は保護されたスコープと編集メカニズムの両方に依存している。
したがって、KGE編集は、ランクずれの発生頻度と重症度とともに補正成功を報告すべきである。
関連論文リスト
- On Scope Classification and Current Knowledge-Editing Benchmarks: A Negative Result, with INLAY as a Gradient-Free Case Study [0.0]
INLAYは、クエリごとの正確な真実を得るために作られた勾配のないエディタである。
我々は3つのデータセットと3つの入力条件にまたがる1,689のクエリに対して、すべての候補ルータアクションを実行する。
棄権は1,689回中0回のみの勝利である。
論文 参考訳（メタデータ） (2026-08-26T18:16:24Z) - When Graph-JEPA Learns the Wrong Thing: Diagnosing and Repairing Category-Conditional Collapse [3.0255780640228984]
共同埋め込み予測アーキテクチャは線形探索と有効ランクによってほぼ普遍的に選択される。
本報告では,表現中に使用可能なインスタンス情報がゼロである場合に,両者が正常に読まれる事例を報告する。
Graph-JEPAは、サブグラフの残りの側面から1つのマスクされたアスペクトを予測し、線形プローブ精度0.871と有効ランク18-47を達成する。
再現性監査とターゲットゲートを備えたハーネスをリリースする。
論文 参考訳（メタデータ） (2026-08-20T19:22:49Z) - Voice Memory for Agentic Speech Recognition [66.69623133635868]
エージェント音声認識のための推論専用スキームであるVoice Memoryを提案する。
同期的に、スコア付き例は、境界編集を通じてそのファイルを更新する。
10のHyPoradiseドメインにオープン修正器、Voice Memory、重み付き単語エラー率8.36%から7.52%の10のドメインがある。
論文 参考訳（メタデータ） (2026-07-29T02:42:56Z) - When Recovery Matters: The Blind Spot of Surrogate Privacy in MLLM Editing [61.80513991207956]
我々は、36のきめ細かいプライバシーカテゴリと65の編集手順をカバーする最初のリカバリ指向ベンチマークであるSPPE(Surrogate-based Privacy-Preserving Editing)を紹介する。
編集性評価のために、ERMAはSRCCで13.9%、PLCCで12.3%向上した。
SPPEとInstructPix2Pixの実験では、両方のタスクが一貫した改善が見られた。
論文 参考訳（メタデータ） (2026-06-05T11:40:03Z) - Step-wise Rubric Rewards for LLM Reasoning [72.17879367869503]
RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデルの推論を改善するために広く使われている。
正しい回答の18.2%は間違っているが、肯定的な報酬がある。
6つの数学的推論ベンチマークで、SRaRはRaRの平均精度を3.57ポイント改善した。
論文 参考訳（メタデータ） (2026-05-17T07:08:14Z) - EditRefiner: A Human-Aligned Agentic Framework for Image Editing Refinement [76.76247443244293]
EditRefinerは、編集後の修正を人間のような認識・推論・行動評価ループとして再構成するエージェントフレームワークである。
歪み、診断精度、人間の知覚アライメントにおいて、最先端の手法を一貫して上回る。
論文 参考訳（メタデータ） (2026-05-08T09:05:08Z) - EditPropBench: Measuring Factual Edit Propagation in Scientific Manuscripts [0.0]
科学的写本のローカルな事実編集は、しばしば非ローカルな修正義務を創出する。
最近のarXiv cs.CLベンチマークとデータセット論文の監査では、37.2%の論文で事実に依存した質的主張が見つかった。
LLMエディタが依存する原稿クレームを通じて実際の編集を伝播するかどうかを測定するベンチマークであるEditPropBenchを紹介する。
論文 参考訳（メタデータ） (2026-05-03T22:46:47Z) - The Anatomy of an Edit: Mechanism-Guided Activation Steering for Knowledge Editing [52.315369633116255]
大規模言語モデル(LLM)は知識ベースとしてますます使われているが、それらを最新の状態に保つには、目標とする知識編集(KE)が必要である。
ニューロンレベルの知識属性(NLKA)を用いたKEの力学的考察
代表的KE法全体にわたって、我々は一貫したパターンを見出す: ミッド・トゥ・レイト・アテンションは、主に新しいターゲットを促進するが、アテンションとFFNモジュールは、元の事実を抑えるために協力する。
本研究の目的は,MEGA(Mechanism-Guided Activation steering method)を提案することである。
論文 参考訳（メタデータ） (2026-03-21T12:40:15Z) - Are We Evaluating the Edit Locality of LLM Model Editing Properly? [68.441768731381]
この目的のために既存の特異性評価プロトコルは不十分であることがわかった。
既存の特異度指標は特異度正規化器の強度と弱い相関関係にある。
また、現在のメトリクスには十分な感度が欠けており、異なるメソッドの特異性性能の区別に効果がないこともわかりました。
論文 参考訳（メタデータ） (2026-01-24T07:07:21Z) - Dynamic Retriever for In-Context Knowledge Editing via Policy Optimization [11.338802325779866]
In-Context Knowledge Editing (DR-IKE) のための動的検索手法を提案する。
DR-IKEは、BERTレトリバーをREINFORCEでトレーニングし、報酬を編集してデモをランク付けする軽量フレームワークである。
編集成功率を最大17.1%改善し、レイテンシを41.6%削減し、無関係なクエリの精度を維持する。
論文 参考訳（メタデータ） (2025-10-24T00:15:30Z) - Aligning Language Models with Real-time Knowledge Editing [11.503574001763246]
本稿では,知識編集のための実世界のベンチマークであるCRAFTを紹介する。
合成推論のためのよく設計されたペア編集を特徴とし、エイリアスポータビリティと時間的、常識的な局所性に関するモデルを評価する。
フレキシブルなリアルタイム編集に向けて,多彩な編集拡張と自己適応的ポストアライメント推論を備えた知識編集アライメントの新たなパラダイムであるKEDASを提案する。
論文 参考訳（メタデータ） (2025-08-02T10:25:36Z)
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。