会员服务
Sparse Autoencoders for Sequential Recommendation Models: Interpretation and Flexible Control
Arxiv
0+阅读 · 2月17日
Toward Faithful Retrieval-Augmented Generation with Sparse Autoencoders
Arxiv
0+阅读 · 2月11日
AudioSAE: Towards Understanding of Audio-Processing Models with Sparse AutoEncoders
Arxiv
0+阅读 · 2月6日
Endogenous Resistance to Activation Steering in Language Models
Arxiv
0+阅读 · 2月6日
Automatic Variance Adjustment for Small Area Estimation
Arxiv
0+阅读 · 2月16日
Sparse Autoencoders are Capable LLM Jailbreak Mitigators
Arxiv
0+阅读 · 2月12日
Control Reinforcement Learning: Token-Level Mechanistic Analysis via Learned SAE Feature Steering
Arxiv
0+阅读 · 2月11日
Control Reinforcement Learning: Interpretable Token-Level Steering of LLMs via Sparse Autoencoder Features
Arxiv
0+阅读 · 2月12日
From Atoms to Trees: Building a Structured Feature Forest with Hierarchical Sparse Autoencoders
Arxiv
0+阅读 · 2月12日
Sanity Checks for Sparse Autoencoders: Do SAEs Beat Random Baselines?
Arxiv
0+阅读 · 2月15日
Agentic Vehicles for Human-Centered Mobility
Arxiv
0+阅读 · 2月8日
Among Us: A Sandbox for Measuring and Detecting Agentic Deception
Arxiv
0+阅读 · 2月10日
SynthSAEBench: Evaluating Sparse Autoencoders on Scalable Realistic Synthetic Data
Arxiv
0+阅读 · 2月16日
The Rogue Scalpel: Activation Steering Compromises LLM Safety
Arxiv
0+阅读 · 2月15日
SAGE: An Agentic Explainer Framework for Interpreting SAE Features in Language Models
Arxiv
0+阅读 · 2月10日
参考链接
微信扫码咨询专知VIP会员
Top