論文の概要: MURANO: Design, Run, and Reproduce Mechanistic Interpretability Experiments as Composable Pipelines

• arxiv url: http://arxiv.org/abs/2608.30662v1
• Date: Mon, 31 Aug 2026 12:02:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.382077
• Title: MURANO: Design, Run, and Reproduce Mechanistic Interpretability Experiments as Composable Pipelines
• Title（参考訳）: 村野: 構成可能なパイプラインとしての機械的解釈可能性実験の設計・実行・再現
• Abstract要約: Muranoは、大規模言語モデルの機械的解釈可能性の研究を設計、実行、再現するためのオープンソースのフレームワークである。 確立された解釈可能性研究の2つの再現と1つの説明的スパースオートエンコーダのケーススタディを示す。
• 参考スコア（独自算出の注目度）: 40.05634149491696
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents Murano, an open source framework for designing, running, and reproducing mechanistic interpretability studies of large language models, intended for researchers across disciplines. These studies often combine loading, recording, attribution, intervention, and evaluation, while existing libraries tend to focus on different parts of this workflow. As a result, researchers using several libraries may need to adapt outputs from one for use by another. To bridge this gap, Murano represents operations from these five areas as composable steps. Steps exchange named result artifacts and declare the inputs they require and the outputs they produce. A pipeline executes its steps in the order supplied, and Murano uses canonical addresses when component identities pass between operations. Murano builds on existing interpretability and machine learning libraries. We demonstrate Murano through two reproductions of established interpretability studies and one illustrative sparse autoencoder case study.
• Abstract（参考訳）: 本稿では,大規模言語モデルの設計・実行・再現のためのオープンソースフレームワークである村野について述べる。 これらの研究はしばしば、負荷、記録、帰属、介入、評価を組み合わせるが、既存のライブラリはワークフローの異なる部分に焦点を当てる傾向がある。 結果として、複数のライブラリを使用する研究者は、別のライブラリが使用する出力に適応する必要があるかもしれない。 このギャップを埋めるため、村野は5ヶ所の事業を構成可能なステップとして表現している。 ステップは、名前付き結果アーティファクトを交換し、必要な入力と生成する出力を宣言する。 パイプラインは、供給された順序でステップを実行し、Muranoは、コンポーネントアイデンティティが操作間で通過するときに、標準アドレスを使用する。 Muranoは既存の解釈可能性と機械学習ライブラリの上に構築されている。 確立された解釈可能性研究の2つの再現と1つの説明的スパースオートエンコーダのケーススタディを通して、村野を実証した。

関連論文リスト

• Metamorphic Testing of Transpilers via Mutation Consistency of Programs [2.064612766965483]
  本稿ではトランスパイラに適した新しい変成試験手法を提案する。 本手法では,コンパイルプログラムの実行時の動作を推論する代わりに,トランスパイラが生成するソースコードを直接メタモルフィック関係を定義する。
  論文  参考訳（メタデータ） (2026-07-31T10:20:08Z)
• Prospective Compression in Human Abstraction Learning [7.788051955651714]
  本研究では,非定常領域におけるヒューマンライブラリ学習が将来的な抽象化を選択するという仮説を提案し,検証する。 本研究では,タスク生成過程における非定常構造に対する人間の抽象的行動が,潜在的・非定常的構造に対する感受性を反映していることを示す。
  論文  参考訳（メタデータ） (2026-05-11T04:54:23Z)
• Python Bindings for a Large C++ Robotics Library: The Case of OMPL [12.900006436558405]
  Pythonバインディングは、高性能なC++ライブラリとPythonの柔軟性の間の重要な橋渡しである。 大きなものへのバインディングを生成するのは 面倒なプロセスです 少数のメンテナに 重荷を負わせます 本研究では,Large Language Models (LLMs) を用いてナノボンドラッパーの生成を支援する。
  論文  参考訳（メタデータ） (2026-03-04T23:18:10Z)
• Paper2Code: Automating Code Generation from Scientific Papers in Machine Learning [70.04746094652653]
  機械学習論文を機能コードリポジトリに変換するフレームワークであるPaperCoderを紹介した。 PaperCoderは3つの段階で動作する。計画、図によるシステムアーキテクチャの設計、ファイル依存の特定、構成ファイルの生成である。 次に、モデルベースおよび人的評価の両方に基づいて、機械学習論文からコード実装を生成するPaperCoderを評価する。
  論文  参考訳（メタデータ） (2025-04-24T01:57:01Z)
• Commit0: Library Generation from Scratch [77.38414688148006]
  Commit0は、AIエージェントにスクラッチからライブラリを書くよう促すベンチマークである。 エージェントには、ライブラリのAPIを概説する仕様文書と、インタラクティブなユニットテストスイートが提供されている。 Commit0はまた、モデルが生成したコードに対して静的解析と実行フィードバックを受け取る、インタラクティブな環境も提供する。
  論文  参考訳（メタデータ） (2024-12-02T18:11:30Z)
• LILO: Learning Interpretable Libraries by Compressing and Documenting Code [71.55208585024198]
  LILOは、反復的に合成、圧縮、文書化を行う、ニューロシンボリックなフレームワークである。 LILOは、LLM誘導プログラム合成と、Stitchから自動化された最近のアルゴリズムの進歩を組み合わせたものである。 LILOのシンセサイザーが学習した抽象化を解釈し、デプロイするのを手助けすることで、AutoDocがパフォーマンスを向上させることが分かりました。
  論文  参考訳（メタデータ） (2023-10-30T17:55:02Z)
• Twist Decoding: Diverse Generators Guide Each Other [116.20780037268801]
  様々なモデルの恩恵を受けながらテキストを生成するシンプルで一般的な推論アルゴリズムであるTwist decodingを導入する。 我々の方法は、語彙、トークン化、あるいは生成順序が共有されていると仮定しない。
  論文  参考訳（メタデータ） (2022-05-19T01:27:53Z)
• Leveraging Language to Learn Program Abstractions and Search Heuristics [66.28391181268645]
  LAPS(Language for Abstraction and Program Search)は、自然言語アノテーションを用いて、ライブラリとニューラルネットワークによる合成のための検索モデルの共同学習をガイドする手法である。 最先端のライブラリ学習システム(DreamCoder)に統合されると、LAPSは高品質なライブラリを生成し、検索効率と一般化を改善する。
  論文  参考訳（メタデータ） (2021-06-18T15:08:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。