Opening the AI black box: program synthesis via mechanistic interpretability

要約

我々は、目的のタスクを実行するように訓練されたニューラル ネットワークの自動化された機構的解釈に基づくプログラム合成の新しい方法である MIPS を紹介し、学習したアルゴリズムを Python コードに自動蒸留します。
RNN で学習できる 62 のアルゴリズム タスクのベンチマークで MIPS をテストしたところ、GPT-4 と非常に補完的であることがわかりました。MIPS は、GPT-4 では解決できない 13 を含む 32 のタスクを解決します (GPT-4 は 30 も解決します)。
MIPS は、整数オートエンコーダーを使用して RNN を有限状態マシンに変換し、ブール回帰または整数シンボリック回帰を適用して学習されたアルゴリズムをキャプチャします。
大規模な言語モデルとは対照的に、このプログラム合成技術では、GitHub からのアルゴリズムやコードなどの人間のトレーニング データは使用されません (したがって、制限されません)。
このアプローチをスケールアップして、機械学習モデルをより解釈可能で信頼できるものにするための機会と課題について説明します。

要約(オリジナル)

We present MIPS, a novel method for program synthesis based on automated mechanistic interpretability of neural networks trained to perform the desired task, auto-distilling the learned algorithm into Python code. We test MIPS on a benchmark of 62 algorithmic tasks that can be learned by an RNN and find it highly complementary to GPT-4: MIPS solves 32 of them, including 13 that are not solved by GPT-4 (which also solves 30). MIPS uses an integer autoencoder to convert the RNN into a finite state machine, then applies Boolean or integer symbolic regression to capture the learned algorithm. As opposed to large language models, this program synthesis technique makes no use of (and is therefore not limited by) human training data such as algorithms and code from GitHub. We discuss opportunities and challenges for scaling up this approach to make machine-learned models more interpretable and trustworthy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google