跳到正文
热点事件持续更新

Persistent SAEs学习特征级时间尺度

1 篇报道1 个报道来源16 小时前更新

先了解这件事

AI 综述

2026年11月20日,Haoyan Luo等人在arXiv发布论文,提出Persistent Sparse Autoencoders (Persistent SAEs)作为标准稀疏自编码器的扩展方法。该方法为每个特征学习持久系数,使特征特定的时间尺度能从重建过程中自然涌现。实验表明,该方法在保持具有竞争力的重建质量的同时,短时间尺度特征保持局部可解释性,长时间尺度特征则积累高层上下文信息。在提示注入监测案例中,慢特征能在长上下文中保留注入信号并因果影响监测判断。

AI 根据报道生成 · 15 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月20日
  1. arXiv · ML
    Persistent Sparse Autoencoders:语言模型表示中特征特定时间尺度的学习

    提出Persistent Sparse Autoencoders,为每个特征学习持久系数,使特征特定时间尺度从重建中自然涌现。 实验表明其保持具有竞争力的重建质量,短时间尺度特征保持局部可解释性,长时间尺度特征积累高层上下文信息。 在提示注入监测案例中,慢特征在长上下文中保留注入信号并因果影响监测判断。

本事件热度走势

可比范围当前
6
可比范围峰值
1011月20日 14:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。