Обсуждение:Механистическая интерпретируемость

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Новая: == Как проверялась неопределённость == При подготовке этой статьи центральным был не перечень методов...)
 
(2 промежуточные версии не показаны)
Строка 1: Строка 1:
-
== Как проверялась неопределённость ==
+
Статью про механистическую интерпретируемость я подготовил с помощью '''GPT-5.6 Terra High'''. Первый промпт был такой:
-
При подготовке этой статьи центральным был не перечень методов, а вопрос: какое именно распределение аппроксимируется и что измеряет полученное число. Поэтому черновик проверялся по цепочке «априор — апостериор — предиктивное распределение — приближённый алгоритм — эмпирическая проверка». Такой порядок помог не смешать вероятность класса, разброс весов, шум наблюдений и способность обнаруживать сдвиг данных.
+
{{well|
 +
Напиши подробную статью про механистическую интерпретируемость нейросетей. Объясни, чем она отличается от обычных способов объяснения модели после получения ответа.
-
Статья подготовлена с помощью '''GPT-5.6 Terra High'''. Оба использованных запроса приводятся ниже дословно.
+
Расскажи про нейроны, признаки, внутренние представления, головы внимания и вычислительные цепочки. Объясни, почему одной корреляции активаций недостаточно и зачем нужны абляции, activation patching и другие вмешательства во внутреннюю работу модели.
-
=== Первый запрос: вывести вероятностную постановку ===
+
Добавь суперпозицию, полисемантичность нейронов, моносемантичные признаки, sparse autoencoders и словарное обучение. Упомяни Toy Models of Superposition, Towards Monosemanticity и Scaling Monosemanticity.
-
{{well|Помоги написать русскоязычную энциклопедическую статью для MachineLearning.ru под названием «Байесовская нейронная сеть» (Bayesian neural network). Целевая аудитория — студент, знающий основы нейронных сетей и вероятностей.
+
Пиши понятно для студента, но не упрощай важные технические моменты. Добавь формулы, ограничения, внутренние ссылки и настоящие научные источники. Ничего не выдумывай. Формулы оформляй через <tex> и </tex>, отдельные формулы начинай с двух двоеточий.
 +
}}
-
Начни с интуитивного различия между обычной сетью с фиксированными весами и байесовской сетью, в которой веса имеют распределение. Затем последовательно выведи формулу апостериорного распределения p(w|D) и предиктивного распределения для нового объекта. Объясни, почему точный интеграл для глубокой сети почти всегда недоступен.
+
Первый текст получился неплохим, но наблюдение за активациями и реальная причинная проверка были разделены недостаточно чётко. Ещё хотелось подробнее объяснить, почему один нейрон не обязан отвечать за одно понятие и почему найденный признак сам по себе не является полным объяснением работы модели.
-
Отдельно и аккуратно раскрой aleatoric и epistemic uncertainty, не обещая, что байесовская сеть автоматически умеет распознавать любой неизвестный объект. Нужны разделы про вариационный вывод, ELBO, Bayes by Backprop, репараметризацию, MC dropout, MCMC и отличие байесовской сети от ансамбля обычных моделей. Добавь применения, ограничения и короткий философский раздел.
+
Второй промпт я написал так:
-
Используй вики-разметку MachineLearning.ru. Все формулы записывай только через <tex>...</tex>, а вынесенные формулы начинай с ::. Добавь внутренние ссылки, категорию «Искусственный интеллект» и только реальные проверяемые источники. Не придумывай DOI, результаты экспериментов и вики-шаблоны.}}
+
{{well|
 +
Доработай статью про механистическую интерпретируемость. Чётко раздели обычное наблюдение за внутренними активациями и причинную проверку механизма.
-
Первая версия правильно вводила апостериорное и предиктивное распределения, но практические меры неопределённости были описаны слишком общо. В частности, выборочная дисперсия проходов MC dropout была названа предиктивной дисперсией без добавления шума наблюдений, а различие между aleatoric и epistemic uncertainty не было связано с конкретным правдоподобием.
+
Подробнее объясни абляцию и activation patching, добавь простую формулу эффекта вмешательства. Расширь часть про суперпозицию и полисемантичность. Напиши, как sparse autoencoders и словарное обучение используются для поиска более понятных признаков.
-
=== Второй запрос: ограничить утверждения аппроксимациями ===
+
Не пиши, что найденный признак автоматически объясняет всё поведение модели. Добавь ограничения: субъективность интерпретации, неполное покрытие, большое число возможных цепочек, перенос выводов с маленьких моделей и возможные артефакты автоэнкодеров.
-
{{well|Отредактируй и расширь статью «Байесовская нейронная сеть». Сохрани её понятной, но проверь математическую точность. Формально запиши p(w|D), предиктивное распределение p(y*|x*,D), ELBO и репараметризацию w=mu+sigma epsilon. Поясни смысл каждого выражения словами.
+
Убери пустые фразы и проверь источники. Все формулы оформи через <tex> и </tex>, отдельные формулы начинай с двух двоеточий. Верни готовую статью целиком.
 +
}}
-
В разделах о вариационном выводе и MC dropout явно укажи, что это приближения, а не точный байесовский вывод. Добавь, что среднеполевое вариационное приближение не отражает корреляции между весами и поэтому может недооценивать неопределённость. В разделе об ансамблях объясни различие без утверждения, что один подход всегда лучше другого.
+
После второго ответа я вручную проверил статью, формулы и ссылки. Особенно посмотрел на знаки эффектов при вмешательствах и на то, чтобы корреляции, отдельные признаки и результаты маленьких моделей не выдавались за полное причинное объяснение.
-
Проверь, что нет сырых тегов <math> и что используются только <tex>...</tex>. Вынесенные формулы должны начинаться с ::. Оставь в литературе только реальные источники: MacKay (1992), Graves (2011), Blundell и соавторы (2015), Gal и Ghahramani (2016). Верни готовую статью целиком в вики-разметке.}}
+
[[Участник:Oleg Batsiev|Oleg Batsiev]]
-
 
+
-
=== Что было исправлено после генерации ===
+
-
 
+
-
Финальная версия была заново сверена по формулам и первичным публикациям. При ручной редактуре сделано следующее:
+
-
 
+
-
* исправлена грамматическая ошибка «в научных вычисления»;
+
-
* определение BNN уточнено: байесовским может быть не обязательно каждый параметр сети;
+
-
* добавлено явное правдоподобие и показано, что распределение весов не задаёт алеаторическую неопределённость без вероятностной модели наблюдений;
+
-
* aleatoric и epistemic uncertainty связаны с двумя слагаемыми закона полной дисперсии для регрессии;
+
-
* пояснено, что в классификации предиктивная энтропия не является чистой мерой только одного источника неопределённости;
+
-
* добавлено тождество между логарифмом свидетельства, ELBO и KL-дивергенцией;
+
-
* для среднеполевого приближения отмечены невозможность передать корреляции и несколько мод, а также возможное сужение при минимизации <tex>\mathrm{KL}(q\|p)</tex>;
+
-
* репараметризация Bayes by Backprop дополнена положительной параметризацией масштаба через <tex>\rho</tex>;
+
-
* выборочная дисперсия MC dropout больше не названа полной предиктивной дисперсией без условного шума наблюдений;
+
-
* асимптотические свойства MCMC отделены от качества конечной цепи и необходимости диагностики смешивания;
+
-
* сравнение с ансамблями переписано без заявления о безусловном превосходстве или экономичности одного метода;
+
-
* добавлен самостоятельный раздел о проверке калибровки, покрытии интервалов и качестве при сдвиге распределения;
+
-
* конференционные публикации Blundell и Gal—Ghahramani исправлены с шаблона книги на шаблон статьи и параметр <tt>ссылка</tt>;
+
-
* в литературу возвращены обещанные работы MacKay и Graves; названия, страницы и DOI сверены с издательскими страницами;
+
-
* примечания и библиография разделены, а несуществующая категория «Искусственный интеллект» заменена существующими категориями «Машинное обучение» и «Нейронные сети».
+
-
 
+
-
Байесовская терминология в финальном тексте везде условна относительно выбранной модели. Фразы о калибровке, неизвестных объектах и безопасном отказе сформулированы как требования к отдельной эмпирической проверке, а не как автоматические свойства BNN.
+
-
 
+
-
— [[Участник:Oleg Batsiev|Oleg Batsiev]]
+

Текущая версия

Статью про механистическую интерпретируемость я подготовил с помощью GPT-5.6 Terra High. Первый промпт был такой:


Напиши подробную статью про механистическую интерпретируемость нейросетей. Объясни, чем она отличается от обычных способов объяснения модели после получения ответа.

Расскажи про нейроны, признаки, внутренние представления, головы внимания и вычислительные цепочки. Объясни, почему одной корреляции активаций недостаточно и зачем нужны абляции, activation patching и другие вмешательства во внутреннюю работу модели.

Добавь суперпозицию, полисемантичность нейронов, моносемантичные признаки, sparse autoencoders и словарное обучение. Упомяни Toy Models of Superposition, Towards Monosemanticity и Scaling Monosemanticity.

Пиши понятно для студента, но не упрощай важные технические моменты. Добавь формулы, ограничения, внутренние ссылки и настоящие научные источники. Ничего не выдумывай. Формулы оформляй через <tex> и </tex>, отдельные формулы начинай с двух двоеточий.


Первый текст получился неплохим, но наблюдение за активациями и реальная причинная проверка были разделены недостаточно чётко. Ещё хотелось подробнее объяснить, почему один нейрон не обязан отвечать за одно понятие и почему найденный признак сам по себе не является полным объяснением работы модели.

Второй промпт я написал так:


Доработай статью про механистическую интерпретируемость. Чётко раздели обычное наблюдение за внутренними активациями и причинную проверку механизма.

Подробнее объясни абляцию и activation patching, добавь простую формулу эффекта вмешательства. Расширь часть про суперпозицию и полисемантичность. Напиши, как sparse autoencoders и словарное обучение используются для поиска более понятных признаков.

Не пиши, что найденный признак автоматически объясняет всё поведение модели. Добавь ограничения: субъективность интерпретации, неполное покрытие, большое число возможных цепочек, перенос выводов с маленьких моделей и возможные артефакты автоэнкодеров.

Убери пустые фразы и проверь источники. Все формулы оформи через <tex> и </tex>, отдельные формулы начинай с двух двоеточий. Верни готовую статью целиком.


После второго ответа я вручную проверил статью, формулы и ссылки. Особенно посмотрел на знаки эффектов при вмешательствах и на то, чтобы корреляции, отдельные признаки и результаты маленьких моделей не выдавались за полное причинное объяснение.

Oleg Batsiev

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%9E%D0%B1%D1%81%D1%83%D0%B6%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5:%D0%9C%D0%B5%D1%85%D0%B0%D0%BD%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_%D0%B8%D0%BD%D1%82%D0%B5%D1%80%D0%BF%D1%80%D0%B5%D1%82%D0%B8%D1%80%D1%83%D0%B5%D0%BC%D0%BE%D1%81%D1%82%D1%8C»
Личные инструменты