Persistent SAEs学习特征级时间尺度
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
最新进展11月20日 13:00
Persistent Sparse Autoencoders:语言模型表示中特征特定时间尺度的学习报道时间线
沿着报道,了解事件的不同侧面。
11月20日
- arXiv · MLPersistent 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
- –
02.557.510
15:0018:0021:0011月21日03:00
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。