SSS：面向语义稀疏空间的语言模型事实知识编辑

基于摘要分析。本文研究语言模型事实知识编辑中的局部性问题：更新错误或过时事实时，如何避免影响无关的邻近样例。作者提出语义稀疏度指标 SSS，并将其加入现有基于训练的编辑方法的原始损失函数，以改善编辑的局部性。 核心假设是，将待编辑样例的隐藏状态引向语义较稀疏的区域，有助于保留无关邻近样例的语义。SSS 用于衡量句子嵌入周围语义空间的稀疏程度，按摘要描述无需人工或机器标注。该方法着重约束参数更新时的语义变化方向，而非提出新的语言模型架构；摘要未给出 SSS 的具体计算方式、邻域构建方法、损失形式或权重设置。 作者报告，在两个数据集、多个模型上的实验中，SSS 改善了编辑局部性与推理能力。但摘要未提供数据集及模型名称、评估划分、对照方法、指标定义或提升幅度，因此尚不能判断收益大小、编辑成功与局部性之间的权衡，以及推理能力改善的具体适用范围。实验协议、消融及统计信息尚未验证。 本文主要研究对象是语言模型的事实知识编辑，而非状态空间模型或 EEG/BCI。现有材料未提供与神经信号解码的具体机制对应关系，不据此推断 BCI 效果；已有 EEG 相关工作尚未检索确认。