Manifold Steering Reveals the Shared Geometry of Neural Network Representation and Behavior
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Wurgaft, Daniel, Rager, Can, Kowal, Matthew, Shyam, Vasudev, Feucht, Sheridan, Bhalla, Usha, Haklay, Tal, Bigelow, Eric, Sarfati, Raphael, McGrath, Thomas, Lewis, Owen, Merullo, Jack, Goodman, Noah, Fel, Thomas, Geiger, Atticus, Lubana, Ekdeep Singh |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Do Sparse Autoencoders Capture Concept Manifolds?
par: Bhalla, Usha, et autres
Publié: (2026)
par: Bhalla, Usha, et autres
Publié: (2026)
Arithmetic in the Wild: Llama uses Base-10 Addition to Reason About Cyclic Concepts
par: Feucht, Sheridan, et autres
Publié: (2026)
par: Feucht, Sheridan, et autres
Publié: (2026)
Stories in Space: In-Context Learning Trajectories in Conceptual Belief Space
par: Bigelow, Eric, et autres
Publié: (2026)
par: Bigelow, Eric, et autres
Publié: (2026)
The Shape of Beliefs: Geometry, Dynamics, and Interventions along Representation Manifolds of Language Models' Posteriors
par: Sarfati, Raphaël, et autres
Publié: (2026)
par: Sarfati, Raphaël, et autres
Publié: (2026)
Are language models aware of the road not taken? Token-level uncertainty and hidden state dynamics
par: Zur, Amir, et autres
Publié: (2025)
par: Zur, Amir, et autres
Publié: (2025)
Belief Dynamics Reveal the Dual Nature of In-Context Learning and Activation Steering
par: Bigelow, Eric, et autres
Publié: (2025)
par: Bigelow, Eric, et autres
Publié: (2025)
Reasoning Theater: Disentangling Model Beliefs from Chain-of-Thought
par: Boppana, Siddharth, et autres
Publié: (2026)
par: Boppana, Siddharth, et autres
Publié: (2026)
Features as Rewards: Scalable Supervision for Open-Ended Tasks via Interpretability
par: Prasad, Aaditya Vikram, et autres
Publié: (2026)
par: Prasad, Aaditya Vikram, et autres
Publié: (2026)
Uncovering Conceptual Blindspots in Generative Image Models Using Sparse Autoencoders
par: Bohacek, Matyas, et autres
Publié: (2025)
par: Bohacek, Matyas, et autres
Publié: (2025)
Projecting Assumptions: The Duality Between Sparse Autoencoders and Concept Geometry
par: Hindupur, Sai Sumedh R., et autres
Publié: (2025)
par: Hindupur, Sai Sumedh R., et autres
Publié: (2025)
From Flat to Hierarchical: Extracting Sparse Representations with Matching Pursuit
par: Costa, Valérie, et autres
Publié: (2025)
par: Costa, Valérie, et autres
Publié: (2025)
Evaluating Sparse Autoencoders: From Shallow Design to Matching Pursuit
par: Costa, Valérie, et autres
Publié: (2025)
par: Costa, Valérie, et autres
Publié: (2025)
In-Context Learning Strategies Emerge Rationally
par: Wurgaft, Daniel, et autres
Publié: (2025)
par: Wurgaft, Daniel, et autres
Publié: (2025)
Towards Reliable Evaluation of Behavior Steering Interventions in LLMs
par: Pres, Itamar, et autres
Publié: (2024)
par: Pres, Itamar, et autres
Publié: (2024)
Priors in Time: Missing Inductive Biases for Language Model Interpretability
par: Lubana, Ekdeep Singh, et autres
Publié: (2025)
par: Lubana, Ekdeep Singh, et autres
Publié: (2025)
Archetypal SAE: Adaptive and Stable Dictionary Learning for Concept Extraction in Large Vision Models
par: Fel, Thomas, et autres
Publié: (2025)
par: Fel, Thomas, et autres
Publié: (2025)
Into the Rabbit Hull: From Task-Relevant Concepts in DINO to Minkowski Geometry
par: Fel, Thomas, et autres
Publié: (2025)
par: Fel, Thomas, et autres
Publié: (2025)
In-Context Learning Dynamics with Random Binary Sequences
par: Bigelow, Eric J., et autres
Publié: (2023)
par: Bigelow, Eric J., et autres
Publié: (2023)
Finding Alignments Between Interpretable Causal Variables and Distributed Neural Representations
par: Geiger, Atticus, et autres
Publié: (2023)
par: Geiger, Atticus, et autres
Publié: (2023)
Interpretability at Scale: Identifying Causal Mechanisms in Alpaca
par: Wu, Zhengxuan, et autres
Publié: (2023)
par: Wu, Zhengxuan, et autres
Publié: (2023)
How Causal Abstraction Underpins Computational Explanation
par: Geiger, Atticus, et autres
Publié: (2025)
par: Geiger, Atticus, et autres
Publié: (2025)
Activation Steering via Generative Causal Mediation
par: Sankaranarayanan, Aruna, et autres
Publié: (2026)
par: Sankaranarayanan, Aruna, et autres
Publié: (2026)
HyperSteer: Activation Steering at Scale with Hypernetworks
par: Sun, Jiuding, et autres
Publié: (2025)
par: Sun, Jiuding, et autres
Publié: (2025)
How Do LLMs Persuade? Linear Probes Can Uncover Persuasion Dynamics in Multi-Turn Conversations
par: Jaipersaud, Brandon, et autres
Publié: (2025)
par: Jaipersaud, Brandon, et autres
Publié: (2025)
Abrupt Learning in Transformers: A Case Study on Matrix Completion
par: Gopalani, Pulkit, et autres
Publié: (2024)
par: Gopalani, Pulkit, et autres
Publié: (2024)
Emergence of Hierarchical Emotion Organization in Large Language Models
par: Zhao, Bo, et autres
Publié: (2025)
par: Zhao, Bo, et autres
Publié: (2025)
Comparisons of the 1995 and 1998 coral bleaching events on the patch reefs of San Salvador Island, Bahamas
par: Thomas A. McGrath
Publié: (2003)
par: Thomas A. McGrath
Publié: (2003)
Evaluating Open-Source Sparse Autoencoders on Disentangling Factual Knowledge in GPT-2 Small
par: Chaudhary, Maheep, et autres
Publié: (2024)
par: Chaudhary, Maheep, et autres
Publié: (2024)
Vector Arithmetic in Concept and Token Subspaces
par: Feucht, Sheridan, et autres
Publié: (2025)
par: Feucht, Sheridan, et autres
Publié: (2025)
Sparks of Explainability: Recent Advancements in Explaining Large Vision Models
par: Fel, Thomas
Publié: (2025)
par: Fel, Thomas
Publié: (2025)
Constructing Interpretable Features from Compositional Neuron Groups
par: Shafran, Or, et autres
Publié: (2025)
par: Shafran, Or, et autres
Publié: (2025)
Analyzing (In)Abilities of SAEs via Formal Languages
par: Menon, Abhinav, et autres
Publié: (2024)
par: Menon, Abhinav, et autres
Publié: (2024)
A Reply to Makelov et al. (2023)'s "Interpretability Illusion" Arguments
par: Wu, Zhengxuan, et autres
Publié: (2024)
par: Wu, Zhengxuan, et autres
Publié: (2024)
Universal Sparse Autoencoders: Interpretable Cross-Model Concept Alignment
par: Thasarathan, Harrish, et autres
Publié: (2025)
par: Thasarathan, Harrish, et autres
Publié: (2025)
Why Larger Models Learn More: Effects of Capacity, Interference, and Rare-Task Retention
par: Huang, Jing, et autres
Publié: (2026)
par: Huang, Jing, et autres
Publié: (2026)
A Percolation Model of Emergence: Analyzing Transformers Trained on a Formal Language
par: Lubana, Ekdeep Singh, et autres
Publié: (2024)
par: Lubana, Ekdeep Singh, et autres
Publié: (2024)
Competition Dynamics Shape Algorithmic Phases of In-Context Learning
par: Park, Core Francisco, et autres
Publié: (2024)
par: Park, Core Francisco, et autres
Publié: (2024)
Compositional Abilities Emerge Multiplicatively: Exploring Diffusion Models on a Synthetic Task
par: Okawa, Maya, et autres
Publié: (2023)
par: Okawa, Maya, et autres
Publié: (2023)
How Do Transformers Learn Variable Binding in Symbolic Programs?
par: Wu, Yiwei, et autres
Publié: (2025)
par: Wu, Yiwei, et autres
Publié: (2025)
InfoTrac's SearchBank Databases: Business Information and More.
par: Mehta, Usha, et autres
Publié: (1997)
par: Mehta, Usha, et autres
Publié: (1997)
Documents similaires
-
Do Sparse Autoencoders Capture Concept Manifolds?
par: Bhalla, Usha, et autres
Publié: (2026) -
Arithmetic in the Wild: Llama uses Base-10 Addition to Reason About Cyclic Concepts
par: Feucht, Sheridan, et autres
Publié: (2026) -
Stories in Space: In-Context Learning Trajectories in Conceptual Belief Space
par: Bigelow, Eric, et autres
Publié: (2026) -
The Shape of Beliefs: Geometry, Dynamics, and Interventions along Representation Manifolds of Language Models' Posteriors
par: Sarfati, Raphaël, et autres
Publié: (2026) -
Are language models aware of the road not taken? Token-level uncertainty and hidden state dynamics
par: Zur, Amir, et autres
Publié: (2025)