稀疏自编码器表征的行为组合性研究

作者提出 SAE Additivity Residuals (SAR) 指标，用以衡量单个 SAE 特征及低阶交互无法解释的行为变化，并在 18 组模型与行为设定中验证 SAE 学习坐标比匹配随机旋转更具行为可加性。