11:17arXiv cs.AI@Haoyuan Wang, Xiaohao Liu, Jiajie Su, Jianmao Xiao, Chaochao Chen精选多模态大模型需要高效更新知识,但现有方法在语义等价变体上泛化不足。论文提出ASAM框架,包含Latent Adversarial Robustification(LAR)生成对抗变体,以及Rank-Constrained Subspace Learning(RCSL)通过低秩对齐增强编辑鲁棒性。实验表明该方法在保持可靠性和局部性的同时,显著提升了跨视觉和语言变体的泛化能力。这项工作为多模态知识编辑的鲁棒性提供了新思路。论文多模态大模型知识编辑对抗训练子空间学习泛化性推荐理由:做多模态大模型知识更新的研究者会关注——ASAM解决了编辑后泛化差的痛点,用对抗子空间对齐让模型对语义等价变体也生效,值得在MLLM编辑任务上试试。原文