論文の概要: The Linear Representation Hypothesis Needs a Group Action

• arxiv url: http://arxiv.org/abs/2609.27158v1
• Date: Tue, 22 Sep 2026 23:42:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.803702
• Title: The Linear Representation Hypothesis Needs a Group Action
• Title（参考訳）: リニア表現仮説は集団行動を必要とする
• Abstract要約: 線形表現仮説は一つの仮説ではなく、表現同値によって区別される主張の族であると主張する。 このフレームワークは、仮定がメトリクス、読み取りポイント、分析ステージ間でどのように変化するかを明確にします。
• 参考スコア（独自算出の注目度）: 12.453886119376902
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To make claims about representations that generalize beyond a particular trained model, we need to specify when two representations should count as equivalent. The Linear Representation Hypothesis is often discussed without making this equivalence explicit. Different notions of equivalence preserve different structures, so metrics, probes, and interventions that appear to study the same representation may in fact correspond to different hypotheses. We therefore argue that the Linear Representation Hypothesis is not one hypothesis but a family of claims distinguished by representation equivalence. We formalize this idea using group actions, specifying the representation object, the procedure that produces it, and the property ultimately asserted, while accounting for equivalences imposed by the model architecture. This framework clarifies how assumptions can change across metrics, reading points, and analysis stages, and we use it to audit common representation quantities and recent interpretability analyses.
• Abstract（参考訳）: 特定の訓練されたモデルを超えて一般化する表現に関する主張を行うには、2つの表現を等価とみなす必要がある。 線形表現仮説は、この同値性を明確にすることなくしばしば議論される。 等価性の異なる概念は異なる構造を保存するので、同じ表現を研究するように見えるメトリクス、プローブ、介入は、実際には異なる仮説に対応しているかもしれない。 したがって、線形表現仮説は一つの仮説ではなく、表現同値によって区別される主張の族であると主張する。 我々は、グループアクションを用いてこのアイデアを形式化し、表現オブジェクト、それを生成するプロシージャ、そして最終的に主張されたプロパティを指定し、モデルアーキテクチャによって課される等価性を考慮に入れます。 このフレームワークは,測度,読点,分析段階間で仮定がどのように変化するかを明らかにし,一般的な表現量や近年の解釈可能性の分析に使用する。

関連論文リスト

• Dissociating the Internal Representations of Sycophancy in LLMs [9.383958408772694]
  大規模言語モデル(LLM)は、しばしば梅毒を示し、誤った場合でもユーザの声明に同意する。 我々は線形プローブを訓練し、あるサブタイプの活性化に関するステアリングベクトルを構築し、それらが表現を共有する程度を測定するために、他のサブタイプの移動を評価する。 我々は、異なるLLMがこれらのサブタイプを異なる形で表現し、より統一的またはより区別され、因果的に干渉する表現であることを示す。
  論文  参考訳（メタデータ） (2026-07-08T04:54:54Z)
• Hypothesis Class Determines Explanation: Why Accurate Models Disagree on Feature Attribution [0.0]
  同一の予測行動を持つモデルでは,特徴属性が著しく異なることが判明した。 我々は,この現象の構造的要因として仮説クラスを同定し,これを説明ロタリーと呼ぶ。 実験の結果,モデル選択は説明中立ではないことが明らかとなった。
  論文  参考訳（メタデータ） (2026-03-16T18:55:50Z)
• Canonical Representations of Markovian Structural Causal Models: A Framework for Counterfactual Reasoning [0.7106986689736826]
  「偽りの理性は、アリスがアスピリンを飲んだら回復しただろうか?」 本稿では,ある因果グラフモデルに適合する反ファクトを表現するために,構造因果モデルに対する代替手法を提案する。 本稿では,(通常テスト可能な)介入制約から(任意かつ不可能な)カウンターファクト選択を解き放つ正規化手順を提案する。
  論文  参考訳（メタデータ） (2025-07-22T09:13:02Z)
• Enriching Disentanglement: From Logical Definitions to Quantitative Metrics [59.12308034729482]
  複雑なデータにおける説明的要素を遠ざけることは、データ効率の表現学習にとって有望なアプローチである。 論理的定義と量的指標の関連性を確立し, 理論的に根ざした絡み合いの指標を導出する。 本研究では,非交叉表現の異なる側面を分離することにより,提案手法の有効性を実証的に実証する。
  論文  参考訳（メタデータ） (2023-05-19T08:22:23Z)
• Evaluating the Robustness of Interpretability Methods through Explanation Invariance and Equivariance [72.50214227616728]
  解釈可能性法は、それらの説明が説明されたモデルを忠実に記述した場合にのみ有用である。 特定の対称性群の下で予測が不変であるニューラルネットワークを考える。
  論文  参考訳（メタデータ） (2023-04-13T17:59:03Z)
• Representation Heterogeneity [5.622134113488239]
  本稿では,表象ユニティと表象多様性の両立概念の観点から表現ヘテロジニティの概念を紹介する。 さらに、この2つの概念が、どのような表現の2つの層、すなわち言語と知識にまたがってどのようにインスタンス化されるかを強調します。
  論文  参考訳（メタデータ） (2022-07-03T18:20:46Z)
• Logical Satisfiability of Counterfactuals for Faithful Explanations in NLI [60.142926537264714]
  本稿では, 忠実度スルー・カウンタファクトの方法論について紹介する。 これは、説明に表される論理述語に基づいて、反実仮説を生成する。 そして、そのモデルが表現された論理と反ファクトの予測が一致しているかどうかを評価する。
  論文  参考訳（メタデータ） (2022-05-25T03:40:59Z)
• Linear Disentangled Representations and Unsupervised Action Estimation [2.793095554369282]
  線形不整合表現は標準VAEモデルには一般的に存在しないことを示す。 本稿では,ラベル付けされたアクションシーケンスの必要性を回避し,既約表現を誘導する手法を提案する。
  論文  参考訳（メタデータ） (2020-08-18T13:23:57Z)

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。