HyperPatch：n元结构漂移下的顺序知识编辑

大语言模型（LLM）依靠知识编辑（KE）来维持时间有效性，但现实世界的知识本质上是n元的。我们证明，在非平稳环境中，复杂关系的顺序更新会导致 N 元结构漂移，这种现象将 n 元事件的二元具体化为三元组，从而破坏了关系原子性。这会导致结构条件知识转移失败，这是 检索器 的系统性错误基础，经常被误诊为参数幻觉。为了解决这个问题，我们提出了 HyperPatch，一种参数保留框架，它将顺序 KE 重新表述为超图流形上的稳定性问题。 HyperPatch 通过三个阶段保持事件完整性：（i）结构优先初始化，通过超图神经网络（HGNN）上的对比学习建立拓扑感知嵌入空间以捕获高阶相关性； (ii) 顺序拓扑编辑，利用双阶段机制，采用基于 SimHash 的拓扑对齐来快速解决冲突，并采用拓扑 LoRA 适应来跟踪漂移，而无需骨干再训练； (iii) 结构条件推理，它整合了来自融合语言和结构流形的全球一致证据。在 MQuAKE-CF 和 MQuAKE-T 基准测试中，HyperPatch 的逐跳准确度 (H-Acc) 相对最强基线分别提高了 96.24% 和 21.06%。进一步的消融在连续 n 元更新流下表现出卓越的可靠性，而基于 KG 的标准变体由于结构失准而遭受高达 88.3% 的 H-Acc 崩溃。