11:06arXiv cs.LG@Frank Zhengqing Wu, Francesco Tonin, Volkan Cevher电路发现是机械可解释性中的关键技术,用于定位执行特定任务的关键模型组件。现有最先进方法EAP-IG在忠信度指标上表现良好,但存在三种方差:重采样方差(用同分布新数据探测时电路变化)、重述方差(提示重新措辞时电路偏移)和样本级方差(低总体不忠信度的电路在单个样本上大幅波动)。本文提出的CEAP方法基于理论保证,能显著减少重采样方差。研究还表明,重述方差源于不同模板激活不同电路,暗示LLM可能本质难以控制。样本级方差主要良性,极差的不忠信度分数常由定义方式或选择性贡献缩放机制导致。论文LLM电路发现机械可解释性EAP-IGCEAP推荐理由:这篇论文把电路发现中的方差问题讲透了,还提出了带理论保证的CEAP方法,能减少重采样方差,值得看。原文
10:39arXiv cs.AI@Yongzhong Xu精选这篇论文提出了一种通过共激活统计聚类注意力头、再用因果消融验证电路的方法。在Pythia 1B和OLMo 1B两个密集模型上,聚类发现的社区通过了消融测试,表明共激活信号能有效识别电路。但在混合专家模型OLMoE-1B-7B中,路由条件聚类虽能恢复统计信号,但消融后反而改善损失,说明信号无效。作者强调,共激活只是电路提案,消融才是确认电路的关键。研究揭示了注意力头选择性和参与度在训练过程中与功能解耦的现象。论文注意力头电路发现共激活因果消融可解释性推荐理由:做模型可解释性研究的团队会感兴趣——这篇论文把共激活聚类和因果消融结合起来,给出了一个验证注意力头电路的实用方法,建议做电路分析的开发者试试这个闭环流程。原文