跳到正文
热点事件观察中

研究用潜变量持续性解释Transformer激活相关性

1 篇报道1 个报道来源2 天前更新

先了解这件事

AI 综述

Francesco Cagnetta 与 Santiago Acevedo 提交论文,提出用潜变量持续性解释 Transformer 激活中的时间相关性。研究以层激活的自相关函数刻画大语言模型隐层表征,发现自相关衰减的尾部随层数加深而变长,这一现象在合成数据与真实数据中均成立。 研究以稀疏自编码器特征作为潜变量代理,发现特征持续性随深度增加,并与自相关强度高度相关;消融这些持续性特征后,自相关随之下降。

AI 根据报道生成 · 1 天前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月16日
  1. arXiv cs.CL
    深层隐变量、长记忆:隐变量持续性解释 Transformer 激活中的时间相关性

    研究提出用层激活的自相关函数刻画 LLM 隐层表征,发现自相关衰减尾部随层数加深而变长,在合成与真实数据中均成立。以稀疏自编码器特征作为隐变量代理时,特征持续性随深度增加、与自相关强度高度相关,且消融这些持续性特征后自相关随之下降。

本事件热度走势

可比范围当前
3
可比范围峰值
811月16日 22:00
近 24 小时变化
-51%

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。