EVEDIT: Edição de Conhecimento Baseada em Eventos com Limites de Edição Dedutiva

A natureza dinâmica da informação do mundo real exige edição de conhecimento (KE) eficiente em grandes modelos de linguagem (LLMs) para atualização de conhecimento. No entanto, as abordagens atuais de KE, que normalmente operam em triplas (sujeito, relação, objeto), ignoram as informações contextuais e a relação entre diferentes conhecimentos. Assim, esses métodos de edição podem encontrar um limite de edição incerto, deixando muito conhecimento relevante em ambigüidade: consultas que poderiam ser respondidas antes da edição não podem ser respondidas de forma confiável depois. Neste trabalho, analisamos essa questão ao introduzir uma estrutura teórica para KE que destaca um conjunto negligenciado de conhecimentos que permanecem inalterados e auxiliam na dedução de conhecimento durante a edição, que nomeamos de âncora de dedução. Abordamos ainda essa questão propondo uma nova tarefa de edição de conhecimento baseada em eventos que emparelha fatos com descrições de eventos. Essa tarefa manifesta não apenas uma simulação mais próxima de cenários de edição do mundo real, mas também um ambiente logicamente mais sólido, definindo implicitamente a âncora de dedução para lidar com a questão dos limites de edição indeterminados. Demonstramos empiricamente a superioridade da edição baseada em eventos sobre o cenário existente na resolução da incerteza em modelos editados e criamos um novo conjunto de dados de benchmark, EvEdit, derivado do conjunto de dados CounterFact. Além disso, embora observemos que o ambiente baseado em eventos é significativamente desafiador para as abordagens existentes, propomos uma nova abordagem, Self-Edit, que demonstra um desempenho mais forte, alcançando uma melhoria de 55,6% na consistência enquanto mantém a naturalidade da geração.