Buchumschlag

Universal Sparse Autoencoders: Interpretable Cross-Model Concept Alignment

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Thasarathan, Harrish, Forsyth, Julian, Fel, Thomas, Kowal, Matthew, Derpanis, Konstantinos G.
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Understanding Video Transformers via Universal Concept Discovery
von: Kowal, Matthew, et al.
Veröffentlicht: (2024)

Visual Concept Connectome (VCC): Open World Concept Discovery and their Interlayer Connections in Deep Models
von: Kowal, Matthew, et al.
Veröffentlicht: (2024)

Interpretable and Steerable Concept Bottleneck Sparse Autoencoders
von: Kulkarni, Akshay, et al.
Veröffentlicht: (2025)

A Geometric Unification of Concept Learning with Concept Cones
von: Rocchi--Henry, Alexandre, et al.
Veröffentlicht: (2025)

Sparse Autoencoders for Interpretable Medical Image Representation Learning
von: Wesp, Philipp, et al.
Veröffentlicht: (2026)

Cross-Modal Redundancy and the Geometry of Vision-Language Embeddings
von: Dhimoïla, Grégoire, et al.
Veröffentlicht: (2026)

CASL: Concept-Aligned Sparse Latents for Interpreting Diffusion Models
von: He, Zhenghao, et al.
Veröffentlicht: (2026)

Residualized Temporal Sparse Autoencoders for Interpreting Diffusion Models
von: Yeung, Calvin, et al.
Veröffentlicht: (2026)

Interpreting CLIP with Hierarchical Sparse Autoencoders
von: Zaigrajew, Vladimir, et al.
Veröffentlicht: (2025)

Probing the Representational Power of Sparse Autoencoders in Vision Models
von: Olson, Matthew Lyle, et al.
Veröffentlicht: (2025)

Analyzing Hierarchical Structure in Vision Models with Sparse Autoencoders
von: Olson, Matthew Lyle, et al.
Veröffentlicht: (2025)

Sparse Autoencoders are Topic Models
von: Girrbach, Leander, et al.
Veröffentlicht: (2025)

Concept Bottleneck Models Without Predefined Concepts
von: Schrodi, Simon, et al.
Veröffentlicht: (2024)

SegCompass: Exploring Interpretable Alignment with Sparse Autoencoders for Enhanced Reasoning Segmentation
von: Lu, Zhenyu, et al.
Veröffentlicht: (2026)

Interpreting CLIP with Sparse Linear Concept Embeddings (SpLiCE)
von: Bhalla, Usha, et al.
Veröffentlicht: (2024)

SPARC: Concept-Aligned Sparse Autoencoders for Cross-Model and Cross-Modal Interpretability
von: Nasiri-Sarvi, Ali, et al.
Veröffentlicht: (2025)

VL-SAE: Interpreting and Enhancing Vision-Language Alignment with a Unified Concept Set
von: Shen, Shufan, et al.
Veröffentlicht: (2025)

Interpreting Physics in Video World Models
von: Joseph, Sonia, et al.
Veröffentlicht: (2026)

Model-Agnostic Gender Bias Control for Text-to-Image Generation via Sparse Autoencoder
von: Wu, Chao, et al.
Veröffentlicht: (2025)

On the Foundations of Shortcut Learning
von: Hermann, Katherine L., et al.
Veröffentlicht: (2023)

Concept-Centric Token Interpretation for Vector-Quantized Generative Models
von: Yang, Tianze, et al.
Veröffentlicht: (2025)

Interpretable Generative Models through Post-hoc Concept Bottlenecks
von: Kulkarni, Akshay, et al.
Veröffentlicht: (2025)

Beyond Interpretability: When, Why, and How Sparse Autoencoders Enable Label-Free Visual Steering
von: Chatzoudis, Gerasimos, et al.
Veröffentlicht: (2025)

Uncovering Conceptual Blindspots in Generative Image Models Using Sparse Autoencoders
von: Bohacek, Matyas, et al.
Veröffentlicht: (2025)

Mitigating Bias in Concept Bottleneck Models for Fair and Interpretable Image Classification
von: Tong, Schrasing, et al.
Veröffentlicht: (2026)

SoftSAE: Dynamic Top-K Selection for Adaptive Sparse Autoencoders
von: Stępień, Jakub, et al.
Veröffentlicht: (2026)

Quantifying and Learning Static vs. Dynamic Information in Deep Spatiotemporal Networks
von: Kowal, Matthew, et al.
Veröffentlicht: (2022)

From Segments to Concepts: Interpretable Image Classification via Concept-Guided Segmentation
von: Eisenberg, Ran, et al.
Veröffentlicht: (2025)

CI-CBM: Class-Incremental Concept Bottleneck Model for Interpretable Continual Learning
von: Javadi, Amirhosein, et al.
Veröffentlicht: (2026)

Sparse Autoencoders Learn Monosemantic Features in Vision-Language Models
von: Pach, Mateusz, et al.
Veröffentlicht: (2025)

Archetypal SAE: Adaptive and Stable Dictionary Learning for Concept Extraction in Large Vision Models
von: Fel, Thomas, et al.
Veröffentlicht: (2025)

Hierarchical Concept Embedding & Pursuit for Interpretable Image Classification
von: Nguyen, Nghia, et al.
Veröffentlicht: (2026)

Knowing the Unknown: Interpretable Open-World Object Detection via Concept Decomposition Model
von: Lv, Xueqiang, et al.
Veröffentlicht: (2026)

Curvature-Regularized Variational Autoencoder for 3D Scene Reconstruction from Sparse Depth
von: Yousefi, Maryam, et al.
Veröffentlicht: (2025)

Optimising for Interpretability: Convolutional Dynamic Alignment Networks
von: Böhle, Moritz, et al.
Veröffentlicht: (2021)

Towards Better Alignment: Training Diffusion Models with Reinforcement Learning Against Sparse Rewards
von: Hu, Zijing, et al.
Veröffentlicht: (2025)

Enhancing Interpretability of Sparse Latent Representations with Class Information
von: Abiz, Farshad Sangari, et al.
Veröffentlicht: (2025)

One-Step is Enough: Sparse Autoencoders for Text-to-Image Diffusion Models
von: Surkov, Viacheslav, et al.
Veröffentlicht: (2024)

Handling Imbalanced Pseudolabels for Vision-Language Models with Concept Alignment and Confusion-Aware Calibrated Margin
von: Wang, Yuchen, et al.
Veröffentlicht: (2025)

ConceptAttention: Diffusion Transformers Learn Highly Interpretable Features
von: Helbling, Alec, et al.
Veröffentlicht: (2025)