#对抗训练

表征简洁≠电路更小：对抗训练揭示可解释性的阈值分野

一篇 arXiv 新论文通过对抗训练受控实验发现：模型表征越简洁（更易被稀疏自编码器分解）并不总意味着因果电路越小，两者的关系依赖忠实度阈值，仅在高忠实度区间才同步。