LLM은 자연어 처리에서 뛰어난 능력을 보이지만, 사실성 및 충실성 관련 환각 문제로 실제 배포에 어려움을 겪고 있다. 기존 방법들은 이러한 환각 유형을 개별적으로 해결하려 했지만, 한 유형을 개선하면 다른 유형이 악화되는 상호작용적 문제(trade-off)를 유발했다. 본 연구에서는 LLM의 활성 공간 역학에 대한 경험적 및 이론적 분석을 통해, 이러한 환각 유형이 신경 표현 내에서 중첩되는 하위 공간을 공유한다는 것을 밝혀냈다. 이를 활용하기 위해, 공유된 활성 하위 공간을 편집하여 사실성과 충실성을 동시에 향상시키는 통합 프레임워크인 SPACE를 제안한다. SPACE는 이중 작업 특징 모델링을 통해 공유 하위 공간의 존재에 대한 기하학적 기반을 구축한 다음, 스펙트럼 클러스터링과 어텐션 헤드 중요도 점수를 결합한 하이브리드 프로브 전략을 통해 이러한 하위 공간을 식별하고 편집한다. 다양한 벤치마크 데이터셋에 대한 실험 결과는 제안하는 방법의 우수성을 입증한다.
