arXiv · cs.AI· Chaerin Lee·· 2 天前AI 评分45
无需因果验证降低 logprob：诊断 LLM 中基于 SAE 的 PII 抑制
Reducing Logprob Without Causal Verification: Diagnosing SAE-Based PII Suppression in LLMs
来源与原文
arXiv · cs.AI
作者：Chaerin Lee
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2611.04782v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
一项 arXiv 研究指出，SAE 特征级干预抑制 LLM 中 PII 泄露常以 logprob 下降为评价标准，但这无法区分特征特异性抑制与大幅激活扰动的幅度效应。在 36 个 (model, layer, PII type) 案例中，仅 logprob 评价下 17 例（47%）看似成功，而多指标框架下仅 1 例（2.8%）通过。作者提出通过 circuit 级定位与因果中介分析实现因果依据充分的 PII 抑制。
来源：arXiv · cs.AI · arxiv.org
这条消息，你怎么看？
把新闻带到 MickerBook，和社区伙伴聊聊；也可以去 AIHER 看看模型背后的角色与梗。