연구진은 다중 모드 대규모 언어 모델(MLLM)의 지식 편집 문제를 해결하기 위해 새로운 방법론인 ASAM(Adversarial Subspace Alignment)을 제안했어요. 기존 방법의 한계를 극복하고, 시각 및 언어적 변형에 걸쳐 지식 편집의 일반성을 높이는 데 초점을 맞췄어요.
ASAM은 지식 단위를 통해 의미론적으로 동등한 다중 모드 입력을 그룹화하고, 적대적 서브스페이스 정렬(LAR)을 도입하여 취약한 의미 영역을 노출시켜 일반성을 확보해요.
실험 결과, ASAM은 기존 방법보다 강력한 성능을 보였으며, 지식 편집의 신뢰성과 지역성을 유지하면서도 일반성을 향상시키는 데 효과적임을 입증했어요.