1. 引言

大型語言模型(LLMs)在訓(xùn)練過程中從龐大的知識(shí)語料庫(如維基百科)中獲取了大量的事實(shí)知識(shí)，并在各種自然語言任務(wù)中展現(xiàn)出卓越的性能。因此，LLMs 常被視為支撐知識(shí)導(dǎo)向任務(wù)的知識(shí)庫。然而，要有效利用這些模型中的知識(shí)，需要深入理解 LLMs 存儲(chǔ)和管理事實(shí)知識(shí)的機(jī)制。這種理解對(duì)于模型編輯等任務(wù)至關(guān)重要，這些任務(wù)涉及修改模型中嵌入的知識(shí)。

當(dāng)前的研究主要集中在研究 LLMs 中嵌入的知識(shí)。這些工作將知識(shí)視為三元組 (s， r， o)，包括頭實(shí)體(主語，s)、尾實(shí)體(賓語，o)和它們之間的關(guān)系 r。研究人員探索了語言模型如何在其參數(shù)中封裝知識(shí)。

例如，Dai 等人采用知識(shí)歸因方法，識(shí)別出表達(dá)事實(shí)知識(shí)的特定神經(jīng)元，而 Meng 等人使用因果追蹤發(fā)現(xiàn)主語與 MLP 模塊之間存在強(qiáng)因果關(guān)系。

然而，這些研究主要從實(shí)體的角度調(diào)查 LLMs 中的知識(shí)。如果我們從關(guān)系的角度來處理相同的知識(shí)，可能會(huì)得到完全不同的觀察結(jié)果。理論上，一條知識(shí)包括實(shí)體和它們之間的關(guān)系;缺少任何一個(gè)，知識(shí)就是不完整的。因此，在這種情況下，實(shí)體和關(guān)系應(yīng)該是等價(jià)的，這也是當(dāng)前許多模型編輯工作的前提，因?yàn)樾枰谀Ｐ蛥?shù)中修改知識(shí)。

盡管如此，目前的研究還沒有探討這種等價(jià)性是否成立。為了填補(bǔ)這一空白，本文調(diào)查了實(shí)體和關(guān)系之間的差異。為了探索這種潛在的等價(jià)性，研究者采用了模型編輯技術(shù)，這是一種用于更新或糾正語言模型中新的或錯(cuò)誤知識(shí)的技術(shù)。

研究目標(biāo)是通過修改實(shí)體或關(guān)系知識(shí)來確定這些變化是否會(huì)產(chǎn)生一致的結(jié)果，并從兩個(gè)角度觀察效果。理想情況下，這些效果應(yīng)該是相同的，因?yàn)榫庉嫷闹R(shí)涉及同一條信息。

2. 相關(guān)工作

隨著事實(shí)信息的不斷演變，存儲(chǔ)在大型語言模型(LLMs)中的知識(shí)可能會(huì)變得過時(shí)或不正確。因此，迫切需要及時(shí)更新 LLMs 中不恰當(dāng)?shù)闹R(shí)，同時(shí)保留其他有價(jià)值的知識(shí)。最近，這個(gè)問題引起了研究人員的廣泛關(guān)注。

雖然參數(shù)高效微調(diào)和增量學(xué)習(xí)技術(shù)提供了修改 LLMs 的途徑，但需要注意的是，這些方法可能容易過擬合，并且在應(yīng)用于具有極大參數(shù)規(guī)模的 LLMs 時(shí)可能會(huì)產(chǎn)生巨大的計(jì)算成本。為了解決這些問題，Sinitsin 等人提出了模型編輯(Model Editing)的概念，旨在高效準(zhǔn)確地改變模型中存儲(chǔ)的事實(shí)知識(shí)。

目前，主要有三種類型的模型編輯方法：

• 基于記憶的方法：這些技術(shù)利用額外的可訓(xùn)練參數(shù)來存儲(chǔ)記憶或?qū)W習(xí) LLMs 中知識(shí)更新所需的調(diào)整(Δ)。
• 定位-編輯方法：這些方法采用因果中介分析來定位 LLMs 中的知識(shí)神經(jīng)元，然后修改這些識(shí)別出的區(qū)域。本文主要探討這種知識(shí)定位方法。
• 上下文內(nèi)知識(shí)編輯方法：這些方法是一種免訓(xùn)練的范式，通過在輸入上下文中連接演示來實(shí)現(xiàn)知識(shí)編輯。

3. 背景與方法

3.1 任務(wù)定義

3.2 模型編輯方法

3.3 定位關(guān)系知識(shí)

因果追蹤

截?cái)嘁蚬治?/h4>

4. 實(shí)驗(yàn)

為了研究知識(shí)如何存儲(chǔ)在模型參數(shù)中，研究者提出了以下研究問題(RQs)：

• RQ1：關(guān)系知識(shí)存儲(chǔ)在哪里？它是否像實(shí)體知識(shí)一樣存儲(chǔ)在 MLPs 中？
• RQ2：無論存儲(chǔ)位置如何，關(guān)系和實(shí)體知識(shí)在知識(shí)三元組中是否同等重要？

4.1 實(shí)驗(yàn)設(shè)置

在實(shí)驗(yàn)中，研究者使用 GPT-2 XL(1.5B)和 GPT-J(6B)作為基礎(chǔ)語言模型。實(shí)驗(yàn)在四個(gè) NVIDIA RTX A6000 GPU 和十個(gè) NVIDIA GeForce RTX 3090 GPU 上進(jìn)行。評(píng)估指標(biāo)包括可靠性和泛化性。

可靠性量化編輯過程的可靠性，可靠性越高表示編輯越成功。為了衡量可靠性，研究者評(píng)估編輯準(zhǔn)確性如下：

$ M_{rel} = E_{(x,y^) \sim D}[1_{f(x;θ^(x,y^)) = y^}] $

，泛化性衡量編輯后模型的預(yù)測(cè)在各種輸入或上下文中的泛化能力：

$ M_{gen} = E_{(\tilde{x}) \sim N(x)}[1_{f(\tilde{x};θ^) = f(x;θ^) = y^*}] $

其中 指重新表述的文本提示，N(x) 表示等價(jià)于 x 的重新表述提示集。

4.2 RQ1：關(guān)系的因果分析

研究者進(jìn)行了因果追蹤分析，以確定關(guān)系知識(shí)在模型參數(shù)中的位置，結(jié)果如圖 2 所示。通過在提示的不同位置和不同模型組件(如單個(gè)狀態(tài)、MLP 層和注意力層)之間改變中介，計(jì)算了 1207 個(gè)事實(shí)陳述的平均間接效應(yīng)(AIE)。結(jié)果顯示，與先前的發(fā)現(xiàn)一致，最后一個(gè)標(biāo)記的最后幾層存在高 AIE 分?jǐn)?shù)。

這表明恢復(fù)這些層中 MLP 的隱藏狀態(tài)可以恢復(fù)大部分必要信息。此外，研究者觀察到故意損壞的關(guān)系標(biāo)記的早期層也存在高 AIE 分?jǐn)?shù)，強(qiáng)調(diào)了這些早期層在預(yù)測(cè)合理性方面的重要性。

同樣，研究者注意到最后一個(gè)損壞標(biāo)記的中間注意力層存在顯著的 AIE。研究者發(fā)現(xiàn)，通過知識(shí)三元組中的關(guān)系 r 識(shí)別的知識(shí)存儲(chǔ)位置與 MLP 層和注意力層都有很強(qiáng)的相關(guān)性，如圖 3 所示。

這一結(jié)論與先前通過實(shí)體定位識(shí)別較低 MLP 層中知識(shí)存儲(chǔ)的工作不同。研究者發(fā)現(xiàn)，通過關(guān)系定位的知識(shí)表達(dá)與較高的 MLP 層和中上層注意力層密切相關(guān)。當(dāng)探索模型知識(shí)表達(dá)從實(shí)體視角到關(guān)系視角時(shí)，知識(shí)表達(dá)的因果位置在模型中發(fā)生了顯著變化。

這表明模型參數(shù)中的知識(shí)存儲(chǔ)位置是復(fù)雜的，不能簡(jiǎn)單地通過單一視角的因果追蹤來確定，假設(shè)知識(shí)被隔離在特定的模型層中。因此，研究者認(rèn)為，通過這種定位來修改相應(yīng)的模型參數(shù)以控制知識(shí)的表達(dá)是不合理的。

4.3 RQ2：探究等價(jià)性

在假設(shè)實(shí)體和關(guān)系視角在知識(shí)三元組中在邏輯上等價(jià)的前提下，如圖 3 所示，實(shí)體知識(shí)和關(guān)系知識(shí)被認(rèn)為是可互換的?；谶@一假設(shè)，研究者假設(shè)通過改變關(guān)系知識(shí)來修改實(shí)體知識(shí)在理論上是可能的。

為了驗(yàn)證這一假設(shè)，研究者應(yīng)用模型編輯技術(shù)從關(guān)系和實(shí)體角度修改語言模型中的知識(shí)，并觀察效果是否相同。表1展示了應(yīng)用基于關(guān)系的模型編輯方法后，從關(guān)系和實(shí)體兩個(gè)角度的評(píng)估結(jié)果。

表1：編輯關(guān)系知識(shí)后的性能

與研究者的假設(shè)相反，結(jié)果令人驚訝地發(fā)現(xiàn)，實(shí)體的評(píng)估分?jǐn)?shù)遠(yuǎn)遠(yuǎn)落后于關(guān)系的評(píng)估分?jǐn)?shù)。編輯關(guān)系知識(shí)在關(guān)系方面取得了高指標(biāo)，表明這些編輯方法是有效的。然而，實(shí)體知識(shí)的結(jié)果明顯較低，這表明編輯關(guān)系并不能有效地改變實(shí)體知識(shí)。這是令人困惑的，因?yàn)橥蝗M中的實(shí)體和關(guān)系定義了一條知識(shí)。理論上，改變?nèi)M的任何部分都應(yīng)該改變整個(gè)三元組，這意味著它們應(yīng)該是等價(jià)的。

表2展示了應(yīng)用基于實(shí)體的編輯方法后，從關(guān)系和實(shí)體角度的評(píng)估結(jié)果。

表2：通過編輯實(shí)體知識(shí)的性能

表2中的結(jié)果顯示，評(píng)估結(jié)果相對(duì)穩(wěn)定，波動(dòng)較小。關(guān)系知識(shí)的可靠性有所提高，但泛化性指標(biāo)顯著下降。這些發(fā)現(xiàn)表明，從實(shí)體角度進(jìn)行模型編輯可能會(huì)改變知識(shí)片段之間的關(guān)系信息。然而，這些變化是不一致的。

上述發(fā)現(xiàn)表明，編輯實(shí)體知識(shí)和關(guān)系知識(shí)并不完全等價(jià)。

5. 結(jié)論

本文揭示了LLMs中的關(guān)系知識(shí)不僅編碼在MLP層中，還顯著地編碼在注意力模塊中。這一發(fā)現(xiàn)與之前假設(shè)知識(shí)主要存儲(chǔ)在MLP權(quán)重中的觀點(diǎn)形成對(duì)比。研究者的分析表明，實(shí)體和關(guān)系知識(shí)在LLMs中是分開存儲(chǔ)的，突出了知識(shí)存儲(chǔ)機(jī)制的復(fù)雜性。

這些見解對(duì)于改進(jìn)模型可解釋性和開發(fā)先進(jìn)的基于知識(shí)的應(yīng)用至關(guān)重要。此外，研究者的發(fā)現(xiàn)為未來在LLM相關(guān)任務(wù)(如模型編輯)的研究和開發(fā)提供了新的視角。具體來說：

• 知識(shí)存儲(chǔ)的復(fù)雜性：研究結(jié)果表明，LLMs中的知識(shí)存儲(chǔ)機(jī)制比之前認(rèn)為的更為復(fù)雜。實(shí)體和關(guān)系知識(shí)并不簡(jiǎn)單地存儲(chǔ)在相同的位置或以相同的方式表示。這意味著在設(shè)計(jì)知識(shí)編輯或提取算法時(shí)，需要考慮這種復(fù)雜性。
• 模型編輯的挑戰(zhàn)：研究發(fā)現(xiàn)，編輯實(shí)體知識(shí)和關(guān)系知識(shí)并不完全等價(jià)。這對(duì)當(dāng)前的模型編輯技術(shù)提出了挑戰(zhàn)，因?yàn)樵S多現(xiàn)有方法假設(shè)可以通過修改一個(gè)方面(如實(shí)體)來影響另一個(gè)方面(如關(guān)系)。未來的模型編輯方法需要更細(xì)致地考慮知識(shí)的不同方面。
• 注意力機(jī)制的重要性：研究結(jié)果強(qiáng)調(diào)了注意力模塊在存儲(chǔ)關(guān)系知識(shí)方面的重要性。這表明在分析和修改LLMs中的知識(shí)時(shí)，不能僅僅關(guān)注MLP層，還需要考慮注意力機(jī)制的作用。
• 模型解釋的新方向：這項(xiàng)研究為理解LLMs如何表示和處理知識(shí)提供了新的視角。這可能會(huì)引導(dǎo)新的模型解釋方法，幫助研究者更好地理解這些復(fù)雜模型的內(nèi)部工作原理。
• 知識(shí)表示的多樣性：研究發(fā)現(xiàn)實(shí)體和關(guān)系知識(shí)可能以不同的方式存儲(chǔ)和表示。這暗示了LLMs中知識(shí)表示的多樣性，可能需要更復(fù)雜的方法來全面理解和操作模型中的知識(shí)。

這項(xiàng)研究不僅挑戰(zhàn)了現(xiàn)有的關(guān)于LLMs中知識(shí)存儲(chǔ)的假設(shè)，還為未來的研究指明了方向。它強(qiáng)調(diào)了需要更細(xì)致、多角度的方法來理解和操作這些復(fù)雜模型中的知識(shí)。這些見解可能會(huì)推動(dòng)更有效的模型編輯技術(shù)、更準(zhǔn)確的知識(shí)提取方法，以及更深入的模型可解釋性研究。

本文轉(zhuǎn)載自??芝士AI吃魚??，作者：芝士AI吃魚