القائمة
Transformer 表征轨迹几何分析方法论 - 将计算神经科学的几何工具应用于 Transformer 可解释性研究，无需探测即可分析表征动力学
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/hiyenwong/ai_collection --skill trajectory-geometry-transformer-representationsيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
Graph-native Python reimplementation of the Information Dynamics of Music (IDyOM) model that represents predictive memories as explicit graph objects for musical expectation modeling and network analysis.
Physics-aware end-to-end deep reinforcement learning methodology for quadcopter control with actuator dynamics modeling.
Reinforced Dreamer methodology for asymmetric reinforcement learning using latent guidance to improve world model representations and behaviors in model-based RL.
استنادا إلى تصنيف SOC المهني
عرض SKILL.md
| name | trajectory-geometry-transformer-representations |
| description | Transformer 表征轨迹几何分析方法论 - 将计算神经科学的几何工具应用于 Transformer 可解释性研究，无需探测即可分析表征动力学 |
| trigger_words | transformer, trajectory geometry, computational neuroscience, interpretability, representation dynamics, attractor, layerwise analysis |
| version | 1.0.0 |
| arxiv_id | 2606.09287 |
| authors | Vishal Pandey, Gopal Singh |
| published | 2026-06-08T00:00:00.000Z |
将 Transformer 前向传播重构为高维表征流形中的离散群体轨迹，借鉴计算神经科学的几何工具进行机制可解释性分析。核心创新：无需探测预定义特征，直接在原始表征空间计算五个几何指标分析轨迹动力学。
轨迹长度 (Trajectory Length)
曲率 (Curvature)
语义收敛指数 (Semantic Convergence Index, CI)
层间余弦相似度 (Layerwise Cosine Similarity)
表征稳定性 (Representational Stability)
步骤1: 提取层间表征
- 收集各层隐藏状态向量
- 构建轨迹序列 {h₁, h₂, ..., hₙ}
步骤2: 计算几何指标
- 轨迹长度: Σ||hₗ₊₁ - hₗ||₂
- 曲率: arccos(⟨hₗ₊₁-hₗ, hₗ-hₗ₋₁⟩ / ||...||²)
- 语义CI: 跨提示轨迹距离收敛率
- 层间相似度: cosine(hₗ, hₗ₊₁)
步骤3: 对比分析
- 不同任务类型轨迹差异
- 模糊 vs 清晰 token 行为
- 洗牌层/随机嵌入控制实验
步骤4: 解释动力学结构
- 三阶段结构识别
- 吸引子动力学验证
- 计算复杂性与曲率关联
开创性地将计算神经科学的几何分析工具应用于 Transformer 可解释性研究，无需功能探测即可分析表征动力学。五个几何指标提供系统化、probe-free 的机制解释框架，跨架构验证揭示通用动力学结构。