Nicht alle Merkmale von Sprachmodellen sind linear.

Not All Language Model Features Are Linear

May 23, 2024

Autoren: Joshua Engels, Isaac Liao, Eric J. Michaud, Wes Gurnee, Max Tegmark

cs.AI

Zusammenfassung

Neuere Arbeiten haben die Hypothese der linearen Repräsentation vorgeschlagen: dass Sprachmodelle Berechnungen durchführen, indem sie eindimensionale Repräsentationen von Konzepten ("Merkmale") im Aktivierungsbereich manipulieren. Im Gegensatz dazu untersuchen wir, ob einige Sprachmodellrepräsentationen möglicherweise von Natur aus mehrdimensional sind. Wir beginnen damit, eine strenge Definition von unzerlegbaren mehrdimensionalen Merkmalen zu entwickeln, basierend darauf, ob sie in unabhängige oder nicht gleichzeitig auftretende niedrigdimensionale Merkmale zerlegt werden können. Motiviert durch diese Definitionen entwerfen wir eine skalierbare Methode, die spärliche Autoencoder verwendet, um automatisch mehrdimensionale Merkmale in GPT-2 und Mistral 7B zu finden. Diese automatisch entdeckten Merkmale umfassen bemerkenswert interpretierbare Beispiele, z. B. kreisförmige Merkmale, die Tage der Woche und Monate des Jahres repräsentieren. Wir identifizieren Aufgaben, bei denen diese exakten Kreise verwendet werden, um Rechenaufgaben mit modularem Rechnen an Tagen der Woche und Monaten des Jahres zu lösen. Schließlich liefern wir Beweise dafür, dass diese kreisförmigen Merkmale tatsächlich die grundlegende Recheneinheit in diesen Aufgaben sind, mit Interventionsversuchen an Mistral 7B und Llama 3 8B, und wir finden weitere kreisförmige Darstellungen, indem wir die verborgenen Zustände für diese Aufgaben in interpretierbare Komponenten zerlegen.

English

Recent work has proposed the linear representation hypothesis: that language models perform computation by manipulating one-dimensional representations of concepts ("features") in activation space. In contrast, we explore whether some language model representations may be inherently multi-dimensional. We begin by developing a rigorous definition of irreducible multi-dimensional features based on whether they can be decomposed into either independent or non-co-occurring lower-dimensional features. Motivated by these definitions, we design a scalable method that uses sparse autoencoders to automatically find multi-dimensional features in GPT-2 and Mistral 7B. These auto-discovered features include strikingly interpretable examples, e.g. circular features representing days of the week and months of the year. We identify tasks where these exact circles are used to solve computational problems involving modular arithmetic in days of the week and months of the year. Finally, we provide evidence that these circular features are indeed the fundamental unit of computation in these tasks with intervention experiments on Mistral 7B and Llama 3 8B, and we find further circular representations by breaking down the hidden states for these tasks into interpretable components.