Version History

大型语言模型(LLM)和自治Agent在动态环境中需要有效的知识更新以保持准确性，但现有的知识编辑方法存在灾难性的遗忘和主题主导性的干扰--修改一个事实--不经意地破坏了相关知识。同时，因果表示学习方法通常假设静态因果结构，而不能解决知识的时间演变。我们提出了因果蜘蛛网(CSW)，这是一种将知识表示为分层因果图的分层存储体系结构，它具有三个基本创新：(1)通过不覆盖现有节点的同级萌芽协议仅附加因果更新；(2)Bayesian张力模型，将节点可信度作为原则不确定性量化的Beta分布后验，以及(3)带有上下文覆盖的自动沉淀，该模型将稳定的知识提升到不可变的核心层，同时允许在不可辩驳的新证据到达时临时掩蔽过时的公理。证明了CSW是有界的、收敛的和因果一致的，大量的实验表明，CSW在保持近零的灾难性遗忘和完全有界的活动节点增长的同时，实现了最先进的多跳一致性，有效地消除了语义湮灭。