Tag · 2 篇
正交分解
01 02
HulluEdit：单次前向的证据一致子空间编辑用于缓解大型视觉语言模型中的幻觉
HulluEdit: Single-Pass Evidence-Consistent Subspace Editing for Mitigating Hallucinations in Large Vision-Language Models
提出一种无需参考模型、单次前向的正交子空间编辑方法，将隐藏状态分解为视觉证据、冲突先验和残差不确定性三个正交子空间，仅对先验子空间进行编辑以抑制幻觉，同时数学上保证视觉成分不受影响。该技术可直接用于提升现有LVLM的可靠性，且推理高效。
DSCA：面向终身VLM编辑的动态子空间概念对齐
DSCA: Dynamic Subspace Concept Alignment for Lifelong VLM Editing
为视觉语言模型提供了一种基于正交语义子空间分解的持续知识编辑方法，可复用于需要顺序更新多模态知识的场景，避免编辑间的相互干扰。