多言語LLMにおける堅牢なメカニズム解釈のための三角測量

この論文は、多言語LLMの内部動作を理解するという課題に取り組んでいます。メカニズム的な説明を検証するために、「三角測量」と呼ばれる新しい方法を提案しています。その核心は、説明が単一の言語や環境に限定されるのではなく、意味を維持しながらさまざまなバリエーション全体で真実を保持することを確認することです。これは、LLMが言語間で予測不能な動作をする可能性があるため重要です。この論文の重要性は、メカニズム的な解釈可能性のためのより厳密で反証可能な基準を提供し、単一環境テストを超えて、誤った回路の問題に対処することにあります。