EMNLP 2024（The 2024 Conference on Empirical Methods in Natural Language Processing）计划于2024年11月12日至11月16日在美国佛罗里达州迈阿密召开。EMNLP是自然语言处理领域顶级国际会议之一，其涉及领域包括但不限于机器翻译、文本生成、文本分类、信息抽取、问答系统、语言模型等研究方向。
论文题目：Pioneering Reliable Assessment in Text-to-Image Knowledge Editing: Leveraging a Fine-Grained Dataset and an Innovative Criterion
第一作者：顾恒瑞（2022级硕士研究生）
收录会议：EMNLP’2024 Findings（清华A类）
指导教师：王 鑫
论文概述：在预训练期间，文本到图像（T2I）扩散模型将事实知识编码到其参数中。这些参数化的事实使得图像生成更加逼真，但随着时间的推移，它们可能变得过时，从而无法准确反映当前的世界状态。知识编辑技术旨在以有针对性的方式更新模型知识。然而，由于编辑数据集不足和评估标准不可靠所带来的双重挑战，T2I知识编辑的发展在有效泛化注入知识方面面临困难。在本研究中，我们设计了一个T2I知识编辑框架，全面涵盖三个阶段：首先，我们整理了一个名为CAKE的数据集，包括同义句和多对象测试，以便对知识泛化进行更细致的评估；其次，我们提出了一种新颖的评估标准——自适应CLIP阈值，以有效过滤在当前标准下虚假的成功图像，从而实现可靠的编辑评估；最后，我们引入了MPE，一种简单但有效的T2I知识编辑方法。MPE并不调整参数，而是精准识别并编辑条件文本提示中的过时部分，以适应最新的知识。我们基于上下文学习给出了MPE的一种实现，它在大量实验中都展现出比以往模型编辑器更优的整体性能。
