Sparse-Autoencoder-Guided Internal Representation Unlearning for Large Language Models
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Yamashita, Tomoya, Ito, Akira, Yamanaka, Yuuki, Yamada, Masanori, Miura, Takayuki, Shibahara, Toshiki |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Concept Unlearning in Large Language Models via Self-Constructed Knowledge Triplets
par: Yamashita, Tomoya, et autres
Publié: (2025)
par: Yamashita, Tomoya, et autres
Publié: (2025)
Robust Backdoor Removal by Reconstructing Trigger-Activated Changes in Latent Representation
par: Iwahana, Kazuki, et autres
Publié: (2025)
par: Iwahana, Kazuki, et autres
Publié: (2025)
One-Shot Machine Unlearning with Mnemonic Code
par: Yamashita, Tomoya, et autres
Publié: (2023)
par: Yamashita, Tomoya, et autres
Publié: (2023)
Model Unlearning via Sparse Autoencoder Subspace Guided Projections
par: Wang, Xu, et autres
Publié: (2025)
par: Wang, Xu, et autres
Publié: (2025)
A Survey on Sparse Autoencoders: Interpreting the Internal Mechanisms of Large Language Models
par: Shu, Dong, et autres
Publié: (2025)
par: Shu, Dong, et autres
Publié: (2025)
How a Bilingual LM Becomes Bilingual: Tracing Internal Representations with Sparse Autoencoders
par: Inaba, Tatsuro, et autres
Publié: (2025)
par: Inaba, Tatsuro, et autres
Publié: (2025)
Guiding LLM Post-training Data Engineering with Model Internals from Sparse Autoencoders
par: Jing, Yi, et autres
Publié: (2026)
par: Jing, Yi, et autres
Publié: (2026)
The Geometry of Tokens in Internal Representations of Large Language Models
par: Viswanathan, Karthik, et autres
Publié: (2025)
par: Viswanathan, Karthik, et autres
Publié: (2025)
Rethinking Machine Unlearning for Large Language Models
par: Liu, Sijia, et autres
Publié: (2024)
par: Liu, Sijia, et autres
Publié: (2024)
Sparse Shift Autoencoders for Identifying Concepts from Large Language Model Activations
par: Joshi, Shruti, et autres
Publié: (2025)
par: Joshi, Shruti, et autres
Publié: (2025)
Sparse Autoencoders Enable Scalable and Reliable Circuit Identification in Language Models
par: O'Neill, Charles, et autres
Publié: (2024)
par: O'Neill, Charles, et autres
Publié: (2024)
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)
SAEs $\textit{Can}$ Improve Unlearning: Dynamic Sparse Autoencoder Guardrails for Precision Unlearning in LLMs
par: Muhamed, Aashiq, et autres
Publié: (2025)
par: Muhamed, Aashiq, et autres
Publié: (2025)
Large Language Model Unlearning
par: Yao, Yuanshun, et autres
Publié: (2023)
par: Yao, Yuanshun, et autres
Publié: (2023)
Positive-Unlabeled Diffusion Models for Preventing Sensitive Data Generation
par: Takahashi, Hiroshi, et autres
Publié: (2025)
par: Takahashi, Hiroshi, et autres
Publié: (2025)
Dissecting Fine-Tuning Unlearning in Large Language Models
par: Hong, Yihuai, et autres
Publié: (2024)
par: Hong, Yihuai, et autres
Publié: (2024)
GUARD: Guided Unlearning and Retention via Data Attribution for Large Language Models
par: Niu, Peizhi, et autres
Publié: (2025)
par: Niu, Peizhi, et autres
Publié: (2025)
Truth as a Trajectory: What Internal Representations Reveal About Large Language Model Reasoning
par: Damirchi, Hamed, et autres
Publié: (2026)
par: Damirchi, Hamed, et autres
Publié: (2026)
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)
Training Superior Sparse Autoencoders for Instruct Models
par: Li, Jiaming, et autres
Publié: (2025)
par: Li, Jiaming, et autres
Publié: (2025)
Evaluating Adversarial Robustness of Concept Representations in Sparse Autoencoders
par: Li, Aaron J., et autres
Publié: (2025)
par: Li, Aaron J., et autres
Publié: (2025)
Offset Unlearning for Large Language Models
par: Huang, James Y., et autres
Publié: (2024)
par: Huang, James Y., et autres
Publié: (2024)
ZeroUnlearn: Few-Shot Knowledge Unlearning in Large Language Models
par: Lin, Yujie, et autres
Publié: (2026)
par: Lin, Yujie, et autres
Publié: (2026)
Is the Hard-Label Cryptanalytic Model Extraction Really Polynomial?
par: Ito, Akira, et autres
Publié: (2025)
par: Ito, Akira, et autres
Publié: (2025)
Rethinking Evaluation of Sparse Autoencoders through the Representation of Polysemous Words
par: Minegishi, Gouki, et autres
Publié: (2025)
par: Minegishi, Gouki, et autres
Publié: (2025)
Alternate Preference Optimization for Unlearning Factual Knowledge in Large Language Models
par: Mekala, Anmol, et autres
Publié: (2024)
par: Mekala, Anmol, et autres
Publié: (2024)
Hierarchical Federated Unlearning for Large Language Models
par: Zhong, Yisheng, et autres
Publié: (2025)
par: Zhong, Yisheng, et autres
Publié: (2025)
Soft Prompting for Unlearning in Large Language Models
par: Bhaila, Karuna, et autres
Publié: (2024)
par: Bhaila, Karuna, et autres
Publié: (2024)
Multi-Objective Large Language Model Unlearning
par: Pan, Zibin, et autres
Publié: (2024)
par: Pan, Zibin, et autres
Publié: (2024)
Model Directions, Not Words: Mechanistic Topic Models Using Sparse Autoencoders
par: Zheng, Carolina, et autres
Publié: (2025)
par: Zheng, Carolina, et autres
Publié: (2025)
SparseEval: Efficient Evaluation of Large Language Models by Sparse Optimization
par: Zhang, Taolin, et autres
Publié: (2026)
par: Zhang, Taolin, et autres
Publié: (2026)
Feature Rivalry in Sparse Autoencoder Representations: A Mechanistic Study of Uncertainty-Driven Feature Competition in LLMs
par: Harshavardhan
Publié: (2026)
par: Harshavardhan
Publié: (2026)
Existing Large Language Model Unlearning Evaluations Are Inconclusive
par: Feng, Zhili, et autres
Publié: (2025)
par: Feng, Zhili, et autres
Publié: (2025)
Q-Sparse: All Large Language Models can be Fully Sparsely-Activated
par: Wang, Hongyu, et autres
Publié: (2024)
par: Wang, Hongyu, et autres
Publié: (2024)
AlignSAE: Concept-Aligned Sparse Autoencoders
par: Yang, Minglai, et autres
Publié: (2025)
par: Yang, Minglai, et autres
Publié: (2025)
DLM-Scope: Mechanistic Interpretability of Diffusion Language Models via Sparse Autoencoders
par: Wang, Xu, et autres
Publié: (2026)
par: Wang, Xu, et autres
Publié: (2026)
Diversity-driven Data Selection for Language Model Tuning through Sparse Autoencoder
par: Yang, Xianjun, et autres
Publié: (2025)
par: Yang, Xianjun, et autres
Publié: (2025)
Attention Sinks as Internal Signals for Hallucination Detection in Large Language Models
par: Binkowski, Jakub, et autres
Publié: (2026)
par: Binkowski, Jakub, et autres
Publié: (2026)
Necessary and Sufficient Watermark for Large Language Models
par: Takezawa, Yuki, et autres
Publié: (2023)
par: Takezawa, Yuki, et autres
Publié: (2023)
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)
Documents similaires
-
Concept Unlearning in Large Language Models via Self-Constructed Knowledge Triplets
par: Yamashita, Tomoya, et autres
Publié: (2025) -
Robust Backdoor Removal by Reconstructing Trigger-Activated Changes in Latent Representation
par: Iwahana, Kazuki, et autres
Publié: (2025) -
One-Shot Machine Unlearning with Mnemonic Code
par: Yamashita, Tomoya, et autres
Publié: (2023) -
Model Unlearning via Sparse Autoencoder Subspace Guided Projections
par: Wang, Xu, et autres
Publié: (2025) -
A Survey on Sparse Autoencoders: Interpreting the Internal Mechanisms of Large Language Models
par: Shu, Dong, et autres
Publié: (2025)