SAE揭示不同情绪因果特征分布差异，解释模型情绪识别不均。
资讯摘要
论文借助稀疏自编码器（SAE）研究大模型情绪推断的因果机制，系统识别驱动情绪判断的因果稀疏特征，并分析这些特征在情绪内部与跨情绪之间的稀疏因果组织。作者报告，惊喜、恐惧等情绪依赖高度集中的特征集，而厌恶的因果特征更分散、更弱，常与其他情绪特征共激活并被愤怒特征掩盖，这为模型在某些情绪上表现更差提供了机制解释。论文还开展两项干预实验：定向操控较弱因果特征以缓解特定情绪失败，以及在识别出的因果特征上全局优化引导向量以提升整体情绪识别表现。
要点速读
- 论文用稀疏自编码器识别驱动LLM情绪推断的因果稀疏特征，并分析其稀疏因果组织。
- 作者报告惊喜、恐惧依赖集中特征集，厌恶特征更分散、更弱且常被愤怒特征掩盖。
- 两项干预实验：定向操控弱因果特征，以及全局优化引导向量以改善整体情绪识别。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/28 08:00:17（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。