论文
SCAN：面向终身知识编辑的稀疏电路锚定可解释神经元
SCAN: Sparse Circuit Anchor Interpretable Neuron for Lifelong Knowledge Editing
摘要
大语言模型（LLM）在序列化知识编辑过程中常常遭受灾难性遗忘与模型崩溃。这一脆弱性源于当前主流的稠密编辑范式：它将模型视为黑箱，并依赖粗粒度的参数干预，从而不可避免地破坏已保留的知识。为解决这一问题，我们提出SCAN（基于稀疏电路锚定神经元的稀疏编辑框架），它通过稀疏转码器（Sparse Transcoders）构建知识电路，将编辑转化为机制感知的操作。在Gemma2、Qwen3和Llama3.1上跨CounterFact、ZsRE和WikiFactDiff的实验表明，SCAN取得了更优的性能，即使在3,000次序列编辑之后，仍能在MMLU和GSM8K等基准上保持模型完整性；而其他现有方法随着编辑不断累积而逐步退化，最终导致模型崩溃。
