Buchumschlag

Measuring the Representational Alignment of Neural Systems in Superposition

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Sunny, Issa, Habon, Longon, André, Gorton, Liv, Khosla, Meenakshi, Klindt, David
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Superposition disentanglement of neural representations reveals hidden alignment
von: Longon, André, et al.
Veröffentlicht: (2025)

Adversarial Examples Are Not Bugs, They Are Superposition
von: Gorton, Liv, et al.
Veröffentlicht: (2025)

Representational Alignment Across Model Layers and Brain Regions with Multi-Level Optimal Transport
von: Shah, Shaan, et al.
Veröffentlicht: (2025)

Group Crosscoders for Mechanistic Analysis of Symmetry
von: Gorton, Liv
Veröffentlicht: (2024)

The Missing Curve Detectors of InceptionV1: Applying Sparse Autoencoders to InceptionV1 Early Vision
von: Gorton, Liv
Veröffentlicht: (2024)

Interpreting the Residual Stream of ResNet18
von: Longon, André
Veröffentlicht: (2024)

Naturally Computed Scale Invariance in the Residual Stream of ResNet18
von: Longon, André
Veröffentlicht: (2025)

Partial Soft-Matching Distance for Neural Representational Comparison with Partial Unit Correspondence
von: Kapoor, Chaitanya, et al.
Veröffentlicht: (2026)

Measuring the Measures: Discriminative Capacity of Representational Similarity Metrics Across Model Families
von: Wu, Jialin, et al.
Veröffentlicht: (2025)

Modeling the Human Visual System: Comparative Insights from Response-Optimized and Task-Optimized Vision Models, Language Models, and different Readout Mechanisms
von: Saha, Shreya, et al.
Veröffentlicht: (2024)

Barycentric alignment for instance-level comparison of neural representations
von: Saha, Shreya, et al.
Veröffentlicht: (2026)

Understanding sparse autoencoder scaling in the presence of feature manifolds
von: Michaud, Eric J., et al.
Veröffentlicht: (2025)

Occam's Razor for Self Supervised Learning: What is Sufficient to Learn Good Representations?
von: Ibrahim, Mark, et al.
Veröffentlicht: (2024)

Disentangled and Self-Explainable Node Representation Learning
von: Piaggesi, Simone, et al.
Veröffentlicht: (2024)

How does Graph Structure Modulate Membership-Inference Risk for Graph Neural Networks?
von: Khosla, Megha
Veröffentlicht: (2026)

Data Whitening Improves Sparse Autoencoder Learning
von: Saraswatula, Ashwin, et al.
Veröffentlicht: (2025)

Sparse components distinguish visual pathways & their alignment to neural networks
von: Marvi, Ammar I, et al.
Veröffentlicht: (2025)

AI-Generated Video Detection via Perceptual Straightening
von: Internò, Christian, et al.
Veröffentlicht: (2025)

Compute Optimal Inference and Provable Amortisation Gap in Sparse Autoencoders
von: O'Neill, Charles, et al.
Veröffentlicht: (2024)

Superposition Yields Robust Neural Scaling
von: Liu, Yizhou, et al.
Veröffentlicht: (2025)

Superposition in Graph Neural Networks
von: Pertl, Lukas, et al.
Veröffentlicht: (2025)

Brain-Model Evaluations Need the NeuroAI Turing Test
von: Feather, Jenelle, et al.
Veröffentlicht: (2025)

Probing for Representation Manifolds in Superposition
von: Modell, Alexander
Veröffentlicht: (2026)

GNN-MultiFix: Addressing the pitfalls for GNNs for multi-label node classification
von: Zhao, Tianqi, et al.
Veröffentlicht: (2024)

Comparing and Integrating Different Notions of Representational Correspondence in Neural Systems
von: Wu, Jialin, et al.
Veröffentlicht: (2025)

Position: An Empirically Grounded Identifiability Theory Will Accelerate Self-Supervised Learning Research
von: Reizinger, Patrik, et al.
Veröffentlicht: (2025)

A data-centric approach for assessing progress of Graph Neural Networks
von: Zhao, Tianqi, et al.
Veröffentlicht: (2024)

Bridging Critical Gaps in Convergent Learning: How Representational Alignment Evolves Across Layers, Training, and Distribution Shifts
von: Kapoor, Chaitanya, et al.
Veröffentlicht: (2025)

From superposition to sparse codes: interpretable representations in neural networks
von: Klindt, David, et al.
Veröffentlicht: (2025)

Assessing Superposition-Targeted Coverage Criteria for Quantum Neural Networks
von: Shao, Minqi, et al.
Veröffentlicht: (2024)

Superposition as Lossy Compression: Measure with Sparse Autoencoders and Connect to Adversarial Vulnerability
von: Bereska, Leonard, et al.
Veröffentlicht: (2025)

A Gauge Theory of Superposition: Toward a Sheaf-Theoretic Atlas of Neural Representations
von: Javidnia, Hossein
Veröffentlicht: (2026)

Seeing Through Words, Speaking Through Pixels: Deep Representational Alignment Between Vision and Language Models
von: He, Zoe Wanying, et al.
Veröffentlicht: (2025)

WARP Logic Neural Networks
von: Gerlach, Lino, et al.
Veröffentlicht: (2026)

Stop Probing, Start Coding: Why Linear Probes and Sparse Autoencoders Fail at Compositional Generalisation
von: Pacela, Vitória Barin, et al.
Veröffentlicht: (2026)

Causality is Key for Interpretability Claims to Generalise
von: Joshi, Shruti, et al.
Veröffentlicht: (2026)

Draw a Portrait of Your Graph Data: An Instance-Level Profiling Framework for Graph-Structured Data
von: Zhao, Tianqi, et al.
Veröffentlicht: (2025)

AGALE: A Graph-Aware Continual Learning Evaluation Framework
von: Zhao, Tianqi, et al.
Veröffentlicht: (2024)

Quantum HyperNetworks: Training Binary Neural Networks in Quantum Superposition
von: Carrasquilla, Juan, et al.
Veröffentlicht: (2023)

Modeling the language cortex with form-independent and enriched representations of sentence meaning reveals remarkable semantic abstractness
von: Saha, Shreya, et al.
Veröffentlicht: (2025)