LLM이 개별 사실이 아니라 공유 잠재 구조를 통해 메모리를 갱신한다는 '리프티드 표현 가설(lifted representation hypothesis)'을 제안한 연구다. 리프팅은 인스턴스 간 대칭성을 활용한 효율적 일반화, 섀터링(shattering)은 거친 리프티드 구조를 더 구체적인 하위 유형으로 정제하는 과정으로 정의된다. 인컨텍스트 학습, LoRA, 전체 파인튜닝에 걸친 통제된 예외 학습 실험으로 두 과정을 평가한 결과, 데이터가 중첩된 규칙과 예외로 구성될 때 LLM은 섀터링 실패에 취약했고 리프팅은 종종 조기에(과잉 일반화로) 발생했다. 규칙과 예외가 섞인 데이터에서 LLM의 지식 갱신이 어떻게 실패하는지 보여주는 결과로, 데이터 구조와 규칙 구조의 관계 연구 필요성을 제기한다.

• •LLM이 개별 사실이 아닌 공유 잠재 구조로 메모리를 갱신한다는 리프티드 표현 가설 제안
• •리프팅=인스턴스 간 대칭성 활용 일반화, 쉐터링=거친 구조의 하위 유형 정제
• •ICL·LoRA·전체 파인튜닝에서 통제된 예외 학습 실험 수행
• •중첩 규칙·예외 데이터에서 쉐터링 실패 취약, 리프팅은 조기 과잉 일반화 경향 확인