Interpreting Large Text-to-Image Diffusion Models with Dictionary Learning
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Shabalin, Stepan, Panda, Ayush, Kharlapenko, Dmitrii, Ali, Abdur Raheem, Hao, Yixiong, Conmy, Arthur |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Scaling sparse feature circuit finding for in-context learning
par: Kharlapenko, Dmitrii, et autres
Publié: (2025)
par: Kharlapenko, Dmitrii, et autres
Publié: (2025)
Patterns and Mechanisms of Contrastive Activation Engineering
par: Hao, Yixiong, et autres
Publié: (2025)
par: Hao, Yixiong, et autres
Publié: (2025)
Binary Sparse Coding for Interpretability
par: Quirke, Lucia, et autres
Publié: (2025)
par: Quirke, Lucia, et autres
Publié: (2025)
Transcoders Beat Sparse Autoencoders for Interpretability
par: Paulo, Gonçalo, et autres
Publié: (2025)
par: Paulo, Gonçalo, et autres
Publié: (2025)
Is Value Functions Estimation with Classification Plug-and-play for Offline Reinforcement Learning?
par: Tarasov, Denis, et autres
Publié: (2024)
par: Tarasov, Denis, et autres
Publié: (2024)
Fluid Representations in Reasoning Models
par: Kharlapenko, Dmitrii, et autres
Publié: (2026)
par: Kharlapenko, Dmitrii, et autres
Publié: (2026)
Improving Dictionary Learning with Gated Sparse Autoencoders
par: Rajamanoharan, Senthooran, et autres
Publié: (2024)
par: Rajamanoharan, Senthooran, et autres
Publié: (2024)
Interpreting Attention Layer Outputs with Sparse Autoencoders
par: Kissane, Connor, et autres
Publié: (2024)
par: Kissane, Connor, et autres
Publié: (2024)
Automatically Finding Reward Model Biases
par: Wang, Atticus, et autres
Publié: (2026)
par: Wang, Atticus, et autres
Publié: (2026)
Base Models Know How to Reason, Thinking Models Learn When
par: Venhoff, Constantin, et autres
Publié: (2025)
par: Venhoff, Constantin, et autres
Publié: (2025)
Improving Steering Vectors by Targeting Sparse Autoencoder Features
par: Chalnev, Sviatoslav, et autres
Publié: (2024)
par: Chalnev, Sviatoslav, et autres
Publié: (2024)
Applying sparse autoencoders to unlearn knowledge in language models
par: Farrell, Eoin, et autres
Publié: (2024)
par: Farrell, Eoin, et autres
Publié: (2024)
DICTDIS: Dictionary Constrained Disambiguation for Improved NMT
par: Maheshwari, Ayush, et autres
Publié: (2022)
par: Maheshwari, Ayush, et autres
Publié: (2022)
Scaling laws for activation steering with Llama 2 models and refusal mechanisms
par: Ali, Sheikh Abdur Raheem, et autres
Publié: (2025)
par: Ali, Sheikh Abdur Raheem, et autres
Publié: (2025)
Understanding Reasoning in Thinking Language Models via Steering Vectors
par: Venhoff, Constantin, et autres
Publié: (2025)
par: Venhoff, Constantin, et autres
Publié: (2025)
Simple LLM Baselines are Competitive for Model Diffing
par: Kempf, Elias, et autres
Publié: (2026)
par: Kempf, Elias, et autres
Publié: (2026)
Robust Learning-Augmented Dictionaries
par: Zeynali, Ali, et autres
Publié: (2024)
par: Zeynali, Ali, et autres
Publié: (2024)
Measuring Progress in Dictionary Learning for Language Model Interpretability with Board Game Models
par: Karvonen, Adam, et autres
Publié: (2024)
par: Karvonen, Adam, et autres
Publié: (2024)
Eliciting Secret Knowledge from Language Models
par: Cywiński, Bartosz, et autres
Publié: (2025)
par: Cywiński, Bartosz, et autres
Publié: (2025)
Learning Interpretable Characteristic Kernels via Decision Forests
par: Panda, Sambit, et autres
Publié: (2018)
par: Panda, Sambit, et autres
Publié: (2018)
Multi-Scale Feature Fusion Quantum Depthwise Convolutional Neural Networks for Text Classification
par: Chen, Yixiong, et autres
Publié: (2024)
par: Chen, Yixiong, et autres
Publié: (2024)
Thought Anchors: Which LLM Reasoning Steps Matter?
par: Bogdan, Paul C., et autres
Publié: (2025)
par: Bogdan, Paul C., et autres
Publié: (2025)
Diffusion Adaptive Text Embedding for Text-to-Image Diffusion Models
par: Na, Byeonghu, et autres
Publié: (2025)
par: Na, Byeonghu, et autres
Publié: (2025)
Interpretable Model Drift Detection
par: Panda, Pranoy, et autres
Publié: (2025)
par: Panda, Pranoy, et autres
Publié: (2025)
Physics-Informed Neural Network Digital Twin for Dynamic Tray-Wise Modeling of Distillation Columns under Transient Operating Conditions
par: Patra, Debadutta, et autres
Publié: (2026)
par: Patra, Debadutta, et autres
Publié: (2026)
NeuroSep-CP-LCB: A Deep Learning-based Contextual Multi-armed Bandit Algorithm with Uncertainty Quantification for Early Sepsis Prediction
par: Zhou, Anni, et autres
Publié: (2025)
par: Zhou, Anni, et autres
Publié: (2025)
DreamReader: An Interpretability Toolkit for Text-to-Image Models
par: Prakash, Nirmalendu, et autres
Publié: (2026)
par: Prakash, Nirmalendu, et autres
Publié: (2026)
Dictionary Learning Improves Patch-Free Circuit Discovery in Mechanistic Interpretability: A Case Study on Othello-GPT
par: He, Zhengfu, et autres
Publié: (2024)
par: He, Zhengfu, et autres
Publié: (2024)
Topological Dictionary Learning
par: Grimaldi, Enrico, et autres
Publié: (2025)
par: Grimaldi, Enrico, et autres
Publié: (2025)
Diverse Dictionary Learning
par: Zheng, Yujia, et autres
Publié: (2026)
par: Zheng, Yujia, et autres
Publié: (2026)
Competition Report: Finding Universal Jailbreak Backdoors in Aligned LLMs
par: Rando, Javier, et autres
Publié: (2024)
par: Rando, Javier, et autres
Publié: (2024)
Jumping Ahead: Improving Reconstruction Fidelity with JumpReLU Sparse Autoencoders
par: Rajamanoharan, Senthooran, et autres
Publié: (2024)
par: Rajamanoharan, Senthooran, et autres
Publié: (2024)
A Unified Theory of Sparse Dictionary Learning in Mechanistic Interpretability: Piecewise Biconvexity and Spurious Minima
par: Tang, Yiming, et autres
Publié: (2025)
par: Tang, Yiming, et autres
Publié: (2025)
SAEBench: A Comprehensive Benchmark for Sparse Autoencoders in Language Model Interpretability
par: Karvonen, Adam, et autres
Publié: (2025)
par: Karvonen, Adam, et autres
Publié: (2025)
Quriosity: Analyzing Human Questioning Behavior and Causal Inquiry through Curiosity-Driven Queries
par: Ceraolo, Roberto, et autres
Publié: (2024)
par: Ceraolo, Roberto, et autres
Publié: (2024)
Lightweight Conceptual Dictionary Learning for Text Classification Using Information Compression
par: Wan, Li, et autres
Publié: (2024)
par: Wan, Li, et autres
Publié: (2024)
Reward-Agnostic Prompt Optimization for Text-to-Image Diffusion Models
par: Kim, Semin, et autres
Publié: (2025)
par: Kim, Semin, et autres
Publié: (2025)
Alignment of Diffusion Model and Flow Matching for Text-to-Image Generation
par: Ouyang, Yidong, et autres
Publié: (2026)
par: Ouyang, Yidong, et autres
Publié: (2026)
FedDifRC: Unlocking the Potential of Text-to-Image Diffusion Models in Heterogeneous Federated Learning
par: Wang, Huan, et autres
Publié: (2025)
par: Wang, Huan, et autres
Publié: (2025)
Decoding-Time Debiasing via Process Reward Models: From Controlled Fill-in to Open-Ended Generation
par: Khan, Muneeb Ur Raheem
Publié: (2026)
par: Khan, Muneeb Ur Raheem
Publié: (2026)
Documents similaires
-
Scaling sparse feature circuit finding for in-context learning
par: Kharlapenko, Dmitrii, et autres
Publié: (2025) -
Patterns and Mechanisms of Contrastive Activation Engineering
par: Hao, Yixiong, et autres
Publié: (2025) -
Binary Sparse Coding for Interpretability
par: Quirke, Lucia, et autres
Publié: (2025) -
Transcoders Beat Sparse Autoencoders for Interpretability
par: Paulo, Gonçalo, et autres
Publié: (2025) -
Is Value Functions Estimation with Classification Plug-and-play for Offline Reinforcement Learning?
par: Tarasov, Denis, et autres
Publié: (2024)