稀疏自编码器（ SAE ）通过将激活分解为学习字典原子的稀疏组合来解释基础模型表示。然而，学习的词典可能因训练运行而异，限制了基于SAE的分析的可靠性和可重复性。我们提出了一致稀疏字典学习（ ConSDL ） ，它将标准线性编码器替换为每个样本

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2610.23801v1)获取最准确的信息。

---
🔗 **原文链接**: [Beyond SAEs: Consistent Concept Discovery with Sparse Coding](https://arxiv.org/abs/2610.23801v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Jinho Choi, Hyesu Lim, Jaegul Choo, Steffen Schneider

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-10-19 13:02