CircuitLasso：不用反复干预，也能学出 SAE feature circuit？
0:0012:37
CircuitLasso：不用反复干预，也能学出 SAE feature circuit？
CircuitLasso 用稀疏线性回归替代大量干预式 patching，在 InterpBench 上以接近 EAP-ig 的结构恢复精度，把平均运行时间从 49.1 秒降到 16.3 秒，并把 circuit learning 推到 SAE feature 空间。本期讲清它为什么重要、实验结果和不能过度解读的边界。
2026/6/17 · 8:16
CircuitLasso：把昂贵的 circuit discovery 变成一次稀疏回归
节目导览
这期精读 2026 年 6 月 15 日提交到 arXiv、并被 ICML 2026 Mechanistic Interpretability Workshop 接收的论文「Scalable Circuit Learning for Interpreting Large Language Models」。论文提出 CircuitLasso：用观测到的激活数据和稀疏线性回归，先学出一张低成本的 circuit dependency skeleton，再把验证资源集中到关键边和关键 feature 上。
本期重点讲四件事：
- 为什么 SAE feature 比原始 neuron 更适合解释，但又让干预式 circuit discovery 的成本变得很高。
- CircuitLasso 如何用 transformer 的计算顺序，把一般 DAG 约束简化成块上三角的稀疏回归问题。
- 论文在 InterpBench、CoLA 和 Bias-in-Bios 上分别验证了什么：结构恢复精度接近 EAP-ig，runtime 约降到三分之一；在 SAE feature 空间中能看到 persistence、merging、dropping 等跨层语义路径；在去偏任务上以更低成本达到接近强基线的效果。
- 这篇论文的边界：线性系数不是精确因果效应，残差流与 SAE 重建误差会留下未建模部分，图里的边有时也会捕捉数据中的虚假相关。
このコンテンツについて、さらに観点や背景を補足しましょう。