Mit dem Guide verknüpftes Quiz · Schwer Ebene

Sparse Autoencoder für Feature-Extraktion-Quiz

Studieren Sie Wörterbücher und Rekonstruktionen spärlicher Merkmale mit dem Golden Gate Bridge-Experiment, übervollständigen Latentdaten, Steuerung und Modellgrenzen.

Verwandte FührungspfadeSparse Autoencoder zur Merkmalsextraktion
Frage 1 von 8

Which interpretability difficulty motivates sparse dictionary learning for neural activations?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Which interpretability difficulty motivates sparse dictionary learning for neural activations?
    • Every model activation is already a complete dictionary definition
    • Several learned signals can overlap in an activation space
    • The tokenizer must be permanently removed
    • All neural weights are stored as image pixels
  2. What does an SAE sparsity constraint encourage for a given input?
    • Every feature to activate equally on every input
    • A mandatory removal of its decoder
    • A guarantee that every feature has exactly one perfect human label
    • Only a limited subset of learned feature activations to be nonzero
  3. Was war in Anthropics Werk „Scaling Monosemantity“ das berühmte Beispielmerkmal?
    • Die Golden Gate Bridge-Funktion
    • Ein Feature für die Nummer sieben
    • Eine Funktion nur für die Farbe Blau
    • Eine Funktion für Vokale
  4. What does an overcomplete SAE dictionary mean?
    • It must activate every feature for every token
    • It contains no reconstruction mapping
    • It has more learned feature directions than input activation dimensions
    • It always requires less storage than the input vector
  5. What does a monosemantic feature label aim to describe in this research context?
    • A guarantee that the feature never responds to related examples
    • A feature associated with one interpretable concept
    • A language model that has only one parameter
    • A token represented by exactly one raw byte
  6. Wie können SAEs genutzt werden, um das Verhalten eines Modells zu beeinflussen?
    • Durch Ein- oder Ausschalten einer Funktion zur Steuerung der Ausgänge
    • Durch Neuschulung des gesamten Modells von Grund auf
    • Durch Löschen des Tokenizers
    • Durch Konvertieren in ein Bildmodell
  7. What does an SAE’s reconstruction residual measure for an activation vector?
    • The difference between two unrelated document titles
    • The total number of words in the model vocabulary
    • Only the model’s hardware temperature
    • The difference between the original activation and its decoded reconstruction
  8. When an SAE is fitted to collected activations of a frozen language model, which weights need to be trained for that fitting?
    • Every original language-model weight must be updated
    • Only the tokenizer’s character list
    • The SAE’s own encoder and decoder weights
    • No parameters of the SAE can change