Tracr: Compiled Transformers as a Laboratory for Interpretability

要約

人間が読めるプログラムを標準的なデコーダのみの変換モデルに「コンパイル」する方法を示す。我々のコンパイラTracrは、既知の構造を持つモデルを生成する。この構造は実験の設計に利用できる。例えば、多段階アルゴリズムを実行するトランスフォーマーにおける「重ね合わせ」を研究するために使用する。さらに、Tracrでコンパイルされたモデルの既知の構造は、解釈可能性手法を評価するためのグランドトゥルースとして機能します。一般的に、トランスフォーマーによって学習された「プログラム」は未知であるため、解釈が成功したかどうかは不明である。トークンの頻度の計算、ソート、括弧のチェックを含むプログラムを実装し、検証することで、我々のアプローチを実証します。Tracrのオープンソース実装をhttps://github.com/google-deepmind/tracr。

要約(オリジナル)

We show how to ‘compile’ human-readable programs into standard decoder-only transformer models. Our compiler, Tracr, generates models with known structure. This structure can be used to design experiments. For example, we use it to study ‘superposition’ in transformers that execute multi-step algorithms. Additionally, the known structure of Tracr-compiled models can serve as ground-truth for evaluating interpretability methods. Commonly, because the ‘programs’ learned by transformers are unknown it is unclear whether an interpretation succeeded. We demonstrate our approach by implementing and examining programs including computing token frequencies, sorting, and parenthesis checking. We provide an open-source implementation of Tracr at https://github.com/google-deepmind/tracr.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL