Enregistré dans:
| Auteurs principaux: | Chanin, David, Wilken-Smith, James, Dulka, Tomáš, Bhatnagar, Hardik, Golechha, Satvik, Bloom, Joseph |
|---|---|
| Format: | Preprint |
| Publié: |
2024
|
| Sujets: | |
| Accès en ligne: | https://arxiv.org/abs/2409.14507 |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Feature Hedging: Correlated Features Break Narrow Sparse Autoencoders
par: Chanin, David, et autres
Publié: (2025)
par: Chanin, David, et autres
Publié: (2025)
Sparse but Wrong: Incorrect L0 Leads to Incorrect Features in Sparse Autoencoders
par: Chanin, David, et autres
Publié: (2025)
par: Chanin, David, et autres
Publié: (2025)
NICE: To Optimize In-Context Examples or Not?
par: Srivastava, Pragya, et autres
Publié: (2024)
par: Srivastava, Pragya, et autres
Publié: (2024)
Progress Measures for Grokking on Real-world Tasks
par: Golechha, Satvik
Publié: (2024)
par: Golechha, Satvik
Publié: (2024)
Are Sparse Autoencoder Benchmarks Reliable?
par: Chanin, David
Publié: (2026)
par: Chanin, David
Publié: (2026)
ABBEL: LLM Agents Acting through Belief Bottlenecks Expressed in Language
par: Lidayan, Aly, et autres
Publié: (2025)
par: Lidayan, Aly, et autres
Publié: (2025)
Challenges in Mechanistically Interpreting Model Representations
par: Golechha, Satvik, et autres
Publié: (2024)
par: Golechha, Satvik, et autres
Publié: (2024)
Building Better Deception Probes Using Targeted Instruction Pairs
par: Natarajan, Vikram, et autres
Publié: (2026)
par: Natarajan, Vikram, et autres
Publié: (2026)
Among Us: A Sandbox for Measuring and Detecting Agentic Deception
par: Golechha, Satvik, et autres
Publié: (2025)
par: Golechha, Satvik, et autres
Publié: (2025)
Identifying Linear Relational Concepts in Large Language Models
par: Chanin, David, et autres
Publié: (2023)
par: Chanin, David, et autres
Publié: (2023)
Sparse Autoencoder Features for Classifications and Transferability
par: Gallifant, Jack, et autres
Publié: (2025)
par: Gallifant, Jack, et autres
Publié: (2025)
SynthSAEBench: Evaluating Sparse Autoencoders on Scalable Realistic Synthetic Data
par: Chanin, David, et autres
Publié: (2026)
par: Chanin, David, et autres
Publié: (2026)
Improving Steering Vectors by Targeting Sparse Autoencoder Features
par: Chalnev, Sviatoslav, et autres
Publié: (2024)
par: Chalnev, Sviatoslav, et autres
Publié: (2024)
Training Neural Networks for Modularity aids Interpretability
par: Golechha, Satvik, et autres
Publié: (2024)
par: Golechha, Satvik, et autres
Publié: (2024)
AbsTopK: Rethinking Sparse Autoencoders For Bidirectional Features
par: Zhu, Xudong, et autres
Publié: (2025)
par: Zhu, Xudong, et autres
Publié: (2025)
SparseRM: A Lightweight Preference Modeling with Sparse Autoencoder
par: Liu, Dengcan, et autres
Publié: (2025)
par: Liu, Dengcan, et autres
Publié: (2025)
Constrain Alignment with Sparse Autoencoders
par: Yin, Qingyu, et autres
Publié: (2024)
par: Yin, Qingyu, et autres
Publié: (2024)
Quantifying Feature Space Universality Across Large Language Models via Sparse Autoencoders
par: Lan, Michael, et autres
Publié: (2024)
par: Lan, Michael, et autres
Publié: (2024)
Mechanistic Knobs in LLMs: Retrieving and Steering High-Order Semantic Features via Sparse Autoencoders
par: Zhang, Ruikang, et autres
Publié: (2026)
par: Zhang, Ruikang, et autres
Publié: (2026)
Sparse Autoencoders for Hypothesis Generation
par: Movva, Rajiv, et autres
Publié: (2025)
par: Movva, Rajiv, et autres
Publié: (2025)
How Do LLMs Encode Scientific Quality? An Empirical Study Using Monosemantic Features from Sparse Autoencoders
par: McCoubrey, Michael, et autres
Publié: (2026)
par: McCoubrey, Michael, et autres
Publié: (2026)
Time-Aware Feature Selection: Adaptive Temporal Masking for Stable Sparse Autoencoder Training
par: Li, T. Ed, et autres
Publié: (2025)
par: Li, T. Ed, et autres
Publié: (2025)
Decoding Dark Matter: Specialized Sparse Autoencoders for Interpreting Rare Concepts in Foundation Models
par: Muhamed, Aashiq, et autres
Publié: (2024)
par: Muhamed, Aashiq, et autres
Publié: (2024)
SAFER: Probing Safety in Reward Models with Sparse Autoencoder
par: Shi, Wei, et autres
Publié: (2025)
par: Shi, Wei, et autres
Publié: (2025)
Toward Faithful Retrieval-Augmented Generation with Sparse Autoencoders
par: Xiong, Guangzhi, et autres
Publié: (2025)
par: Xiong, Guangzhi, et autres
Publié: (2025)
Studying Cross-cluster Modularity in Neural Networks
par: Golechha, Satvik, et autres
Publié: (2025)
par: Golechha, Satvik, et autres
Publié: (2025)
Dissecting Chronos: Sparse Autoencoders Reveal Causal Feature Hierarchies in Time Series Foundation Models
par: Mishra, Anurag
Publié: (2026)
par: Mishra, Anurag
Publié: (2026)
FaithfulSAE: Towards Capturing Faithful Features with Sparse Autoencoders without External Dataset Dependencies
par: Cho, Seonglae, et autres
Publié: (2025)
par: Cho, Seonglae, et autres
Publié: (2025)
SMoA: Improving Multi-agent Large Language Models with Sparse Mixture-of-Agents
par: Li, Dawei, et autres
Publié: (2024)
par: Li, Dawei, et autres
Publié: (2024)
Controllable LLM Reasoning via Sparse Autoencoder-Based Steering
par: Fang, Yi, et autres
Publié: (2026)
par: Fang, Yi, et autres
Publié: (2026)
Disentangling concept semantics via multilingual averaging in Sparse Autoencoders
par: O'Reilly, Cliff, et autres
Publié: (2025)
par: O'Reilly, Cliff, et autres
Publié: (2025)
Uncovering Cross-Linguistic Disparities in LLMs using Sparse Autoencoders
par: Xuan, Richmond Sin Jing, et autres
Publié: (2025)
par: Xuan, Richmond Sin Jing, et autres
Publié: (2025)
Sparse Autoencoder Decomposition of Clinical Sequence Model Representations: Feature Complexity, Task Specialisation, and Mortality Prediction
par: Sainsbury, Chris, et autres
Publié: (2026)
par: Sainsbury, Chris, et autres
Publié: (2026)
Gemma Scope: Open Sparse Autoencoders Everywhere All At Once on Gemma 2
par: Lieberum, Tom, et autres
Publié: (2024)
par: Lieberum, Tom, et autres
Publié: (2024)
Denoising Concept Vectors with Sparse Autoencoders for Improved Language Model Steering
par: Zhao, Haiyan, et autres
Publié: (2025)
par: Zhao, Haiyan, et autres
Publié: (2025)
Layer-Wise Perturbations via Sparse Autoencoders for Adversarial Text Generation
par: Shu, Huizhen, et autres
Publié: (2025)
par: Shu, Huizhen, et autres
Publié: (2025)
Incorporating Hierarchical Semantics in Sparse Autoencoder Architectures
par: Muchane, Mark, et autres
Publié: (2025)
par: Muchane, Mark, et autres
Publié: (2025)
Lost in Translation? A Comparative Study on the Cross-Lingual Transfer of Composite Harms
par: Shukla, Vaibhav, et autres
Publié: (2026)
par: Shukla, Vaibhav, et autres
Publié: (2026)
Enabling Precise Topic Alignment in Large Language Models Via Sparse Autoencoders
par: Joshi, Ananya, et autres
Publié: (2025)
par: Joshi, Ananya, et autres
Publié: (2025)
Enhancing End-to-End Multi-Task Dialogue Systems: A Study on Intrinsic Motivation Reinforcement Learning Algorithms for Improved Training and Adaptability
par: Kamuni, Navin, et autres
Publié: (2024)
par: Kamuni, Navin, et autres
Publié: (2024)
Documents similaires
-
Feature Hedging: Correlated Features Break Narrow Sparse Autoencoders
par: Chanin, David, et autres
Publié: (2025) -
Sparse but Wrong: Incorrect L0 Leads to Incorrect Features in Sparse Autoencoders
par: Chanin, David, et autres
Publié: (2025) -
NICE: To Optimize In-Context Examples or Not?
par: Srivastava, Pragya, et autres
Publié: (2024) -
Progress Measures for Grokking on Real-world Tasks
par: Golechha, Satvik
Publié: (2024) -
Are Sparse Autoencoder Benchmarks Reliable?
par: Chanin, David
Publié: (2026)