Erkennung und Kontrolle von Opportunismus mit kaskadierenden linearen Merkmalen

arXiv:2606.26155v1 Ankündigungstyp: neu Abstract: Die Interpretation und Kontrolle von Modellverhalten durch Activation-Steering-Methoden erfordert viele Paare kontrastierender Stichproben, die eindeutig gewünschtes oder unerwünschtes Verhalten zeigen. Diese Datenpaare bestimmen das Ausmaß, in dem Interpretierkeits-Frameworks