Removing Spurious Correlation from Neural Network Interpretations
消除神经网络解释中的伪相关AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以混杂控制和因果中介分析研究神经元活动与有害行为的关系。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
消除神经网络解释中的伪相关
- 研究问题
- 在定位与有害行为相关的神经元时，对话主题等混杂因素是否造成伪相关，并影响毒性集中于少量神经元的判断？
- 方法与思路
- 作者提出控制对话主题影响的因果中介方法，并在两个大语言模型上比较调整前后毒性行为的神经元定位情况。
- 材料陈述的贡献
- 摘要称混杂因素会造成神经元解释中的伪相关；两个模型的实验显示，调整主题影响后，毒性表现得更不集中。
- 阅读关注点
- 应核对主题、神经元活动和毒性之间的因果结构，中介效应的识别条件，以及定位集中程度的具体度量。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明中介识别假设、实验干预方式及结论的跨模型适用性。
原文摘要
The existing algorithms for identification of neurons responsible for undesired and harmful behaviors do not consider the effects of confounders such as topic of the conversation. In this work, we show that confounders can create spurious correlations and propose a new causal mediation approach that controls the impact of the topic. In experiments with two large language models, we study the localization hypothesis and show that adjusting for the effect of conversation topic, toxicity becomes less localized.