arXiv · cs.AI 人工智能· Ali Tajfar, Behnam Tajfar·2026-11-13 13:00· 5 小时前AI 评分60

研究指出可解释性声明缺乏稳定性，提出 ridge leverage 稳定性边界与特征恢复证书

When can an interpretability claim be trusted? Stability and certification of feature dimensionality, ridge leverage and the feature recovery rate

AI 导读

作者在已知真值的玩具模型与合成字典上考察 Elhage 等人的特征维度与带余弦阈值的特征恢复率（FRR），刻画特征维度不连续的位置，并用正则化（ridge）版本给出稳定性边界：ridge leverage score 的变化不超过权重算子范数变化的 3√3/(8√λ) 倍，且该常数无法改进。