:: Library Catalog

Copertina

Salvato in:

Dettagli Bibliografici
Autori principali:	Quirke, Philip, Oozeer, Narmeen, Bandi, Chaithanya, Abdullah, Amir, Hoelscher-Obermaier, Jason, Phillips, Jeff M., Greaves, Joshua, Neo, Clement, Lan, Michael, Barez, Fazl, Upadhyay, Shriyash
Natura:	Preprint
Pubblicazione:	2025
Soggetti:	Computers and Society
Accesso online:	https://arxiv.org/abs/2506.00051
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Position: Require Frontier AI Labs To Release Small "Analog" Models
di: Upadhyay, Shriyash, et al.
Pubblicazione: (2025)

Understanding Addition and Subtraction in Transformers
di: Quirke, Philip, et al.
Pubblicazione: (2024)

Beyond Linear Steering: Unified Multi-Attribute Control for Language Models
di: Oozeer, Narmeen, et al.
Pubblicazione: (2025)

Spectral Superposition: A Theory of Feature Geometry
di: Ivanov, Georgi, et al.
Pubblicazione: (2026)

Understanding Addition in Transformers
di: Quirke, Philip, et al.
Pubblicazione: (2023)

Interpreting Context Look-ups in Transformers: Investigating Attention-MLP Interactions
di: Neo, Clement, et al.
Pubblicazione: (2024)

Interpreting Learned Feedback Patterns in Large Language Models
di: Marks, Luke, et al.
Pubblicazione: (2023)

Understanding and Mitigating Dataset Corruption in LLM Steering
di: Anderson, Cullen, et al.
Pubblicazione: (2026)

Das lyrische Werk Antoni Langes
di: Hoelscher-Obermaier, Hans-Peter
Pubblicazione: (2019)

Andrzej Kuśniewicz' synkretistische Romanpoetik
di: Hoelscher-Obermaier, Hans-Peter
Pubblicazione: (2019)

Towards Interpreting Visual Information Processing in Vision-Language Models
di: Neo, Clement, et al.
Pubblicazione: (2024)

TinySQL: A Progressive Text-to-SQL Dataset for Mechanistic Interpretability Research
di: Harrasse, Abir, et al.
Pubblicazione: (2025)

Bilinear Convolution Decomposition for Causal RL Interpretability
di: Oozeer, Narmeen, et al.
Pubblicazione: (2024)

Debate, Deliberate, Decide (D3): A Cost-Aware Adversarial Framework for Reliable and Interpretable LLM Evaluation
di: Harrasse, Abir, et al.
Pubblicazione: (2024)

Distribution-Aware Feature Selection for SAEs
di: Oozeer, Narmeen, et al.
Pubblicazione: (2025)

SafetyNet: Detecting Harmful Outputs in LLMs by Modeling and Monitoring Deceptive Behaviors
di: Chaudhary, Maheep, et al.
Pubblicazione: (2025)

Same Question, Different Words: A Latent Adversarial Framework for Prompt Robustness
di: Fu, Tingchen, et al.
Pubblicazione: (2025)

Curveball Steering: The Right Direction To Steer Isn't Always Linear
di: Raval, Shivam, et al.
Pubblicazione: (2026)

Query Circuits: Explaining How Language Models Answer User Prompts
di: Wu, Tung-Yu, et al.
Pubblicazione: (2025)

Activation Space Interventions Can Be Transferred Between Large Language Models
di: Oozeer, Narmeen, et al.
Pubblicazione: (2025)

Rethinking AI Cultural Alignment
di: Bravansky, Michal, et al.
Pubblicazione: (2025)

Towards Interpretable Sequence Continuation: Analyzing Shared Circuits in Large Language Models
di: Lan, Michael, et al.
Pubblicazione: (2023)

Token Taxes: mitigating AGI's economic risks
di: Irwin, Lucas, et al.
Pubblicazione: (2026)

Large Language Models Relearn Removed Concepts
di: Lo, Michelle, et al.
Pubblicazione: (2024)

VAL-Bench: Belief Consistency as a measure for Value Alignment in Language Models
di: Gupta, Aman, et al.
Pubblicazione: (2025)

REL: Working out is all you need
di: Simonds, Toby, et al.
Pubblicazione: (2024)

Multi-Agent Security Tax: Trading Off Security and Collaboration Capabilities in Multi-Agent Systems
di: Peigne-Lefebvre, Pierre, et al.
Pubblicazione: (2025)

Enhancing Neural Network Interpretability with Feature-Aligned Sparse Autoencoders
di: Marks, Luke, et al.
Pubblicazione: (2024)

Do Sparse Autoencoders Generalize? A Case Study of Answerability
di: Heindrich, Lovis, et al.
Pubblicazione: (2025)

Towards Understanding Subliminal Learning: When and How Hidden Biases Transfer
di: Schrodi, Simon, et al.
Pubblicazione: (2025)

Visualizing Neural Network Imagination
di: Wichers, Nevan, et al.
Pubblicazione: (2024)

Breaking the Mirror: Activation-Based Mitigation of Self-Preference in LLM Evaluators
di: Roytburg, Dani, et al.
Pubblicazione: (2025)

Are LLM Evaluators Really Narcissists? Sanity Checking Self-Preference Evaluations
di: Roytburg, Dani, et al.
Pubblicazione: (2026)

Embodied AI: Emerging Risks and Opportunities for Policy Action
di: Perlo, Jared, et al.
Pubblicazione: (2025)

Trust Me, I'm Wrong: LLMs Hallucinate with Certainty Despite Knowing the Answer
di: Simhi, Adi, et al.
Pubblicazione: (2025)

Beyond Linear Probes: Dynamic Safety Monitoring for Language Models
di: Oldfield, James, et al.
Pubblicazione: (2025)

Chain-of-Thought Hijacking
di: Zhao, Jianli, et al.
Pubblicazione: (2025)

AutoControl Arena: Synthesizing Executable Test Environments for Frontier AI Risk Evaluation
di: Li, Changyi, et al.
Pubblicazione: (2026)

Scaling sparse feature circuit finding for in-context learning
di: Kharlapenko, Dmitrii, et al.
Pubblicazione: (2025)

Precise In-Parameter Concept Erasure in Large Language Models
di: Gur-Arieh, Yoav, et al.
Pubblicazione: (2025)