知识注入相关 AI 资讯

7月23日

13:07

Stanford AI Lab@StanfordAILab

斯坦福团队提出一种无需梯度下降即可将事实知识写入Transformer MLP的封闭形式方法。该方法可直接将事实编码进Transformer块，无需训练。相关论文已被COLM 2026接收。研究者包括Jerry Liu、Garctrob、Ronny Junkins等。

论文 Transformer MLP 知识注入

推荐理由：斯坦福团队搞了个新招：不用梯度下降，直接把事实写进Transformer的MLP里，论文被COLM 2026收了，想了解怎么不训练就灌知识的可以看看。

原文

7月2日

10:02

官方账号arXiv cs.LG@Yiwen Xing, Philip Beaucamp, Joyraj Chakraborty, Afrah Farea, Yuanzhe Jin, Saiful Khan, Gennady Andrienko, Natalia Andrienko, Min Chen

对IEEE VIS会议过去十年200余篇VIS4ML论文进行系统调研。开发编码方案从ML特性、可视化、交互和动作四个视角分析。揭示了通过交互可视化将人类知识传递到ML工作流的不同路径。利用信息论成本效益分析解释VIS4ML现象，证实VA在ML工作流中的价值。

论文 VIS4ML 知识注入交互可视化

推荐理由：这篇论文梳理了200多篇VIS4ML论文，告诉你人在机器学习中怎么用可视化注入知识。想了解人机协作的路径和原理，这篇综述是很好的起点。

原文

5月27日

13:33

官方一手marktechpost@Asif Razzaq

精选

来自新加坡国立大学、MIT和A*STAR的研究人员提出了MEMO框架，该框架将语料库知识编码到一个独立的可训练记忆模型中，无需修改大语言模型（LLM）的参数。MEMO通过模块化设计，让LLM能够动态访问外部记忆，从而高效学习新知识，同时保持原有模型能力不变。这一方法解决了LLM在持续学习中的灾难性遗忘问题，并降低了更新成本。实验表明，MEMO在知识注入任务上表现优异，且不影响模型原有性能。

论文记忆模型模块化框架持续学习

推荐理由：MEMO解决了LLM持续学习中的核心痛点——无需重训模型就能注入新知识，做知识密集型应用（如问答、检索增强生成）的团队可以直接参考，值得关注。

原文