跨语言编辑：多语言知识编辑综述
Editing Across Languages: A Survey of Multilingual Knowledge Editing
AI总结：
本综述系统梳理了多语言知识编辑（MKE）的最新研究，提出了涵盖基于参数、基于记忆、微调和超网络方法的综合分类体系，总结了方法有效性与迁移模式，并指出了跨语言传播等挑战，为可编辑的语言感知LLM的发展奠定基础。
摘要：
尽管知识编辑在单语环境中已被广泛研究，但在多语言语境中仍缺乏探索。本综述系统梳理了多语言知识编辑（MKE）的最新研究，这是模型编辑的一个新兴子领域，旨在确保事实性编辑能可靠地跨语言泛化。我们提出了MKE方法的综合分类体系，涵盖基于参数、基于记忆、微调和超网络的方法。我们调研了可用基准，总结了关于方法有效性和迁移模式的关键发现，指出了跨语言传播的挑战，并强调了与语言各向异性、评估覆盖率和编辑可扩展性相关的开放问题。我们的分析整合了这一快速发展的领域，为可编辑的语言感知LLM的未来发展奠定了基础。
英文摘要：
While Knowledge Editing has been extensively studied in monolingual settings, it remains underexplored in multilingual contexts. This survey systematizes recent research on Multilingual Knowledge Editing (MKE), a growing subdomain of model editing focused on ensuring factual edits generalize reliably across languages. We present a comprehensive taxonomy of MKE methods, covering parameter-based, memory-based, fine-tuning, and hypernetwork approaches. We survey available benchmarks,summarize key findings on method effectiveness and transfer patterns, identify challenges in cross-lingual propagation, and highlight open problems related to language anisotropy, evaluation coverage, and edit scalability. Our analysis consolidates a rapidly evolving area and lays the groundwork for future progress in editable language-aware LLMs.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
