菜单
使用稀疏自编码器(SAE)特征解释脑语言响应的编码框架。引入Augmented Sparse Encoding Models，结合LM稀疏特征和surprisal预测，实现可解释的脑信号解码
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/hiyenwong/ai_collection --skill sae-brain-language-interpretation命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
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.
基于 SOC 职业分类
正在显示 SKILL.md
| name | sae-brain-language-interpretation |
| description | 使用稀疏自编码器(SAE)特征解释脑语言响应的编码框架。引入Augmented Sparse Encoding Models，结合LM稀疏特征和surprisal预测，实现可解释的脑信号解码 |
| trigger_words | ["sparse autoencoder","brain encoding","language model","fMRI interpretation","neural representation","voxel population","surprisal","processing difficulty"] |
| version | 1.0.0 |
| arxiv_id | 2606.06857 |
| authors | Michael A. Lepori, Kendrick Kay, Greta Tuckute |
| date | 2026-06-05T00:00:00.000Z |
论文提出 Augmented Sparse Encoding Models 编码框架，用稀疏自编码器(SAE)特征替代密集LM隐藏状态，并显式包含surprisal作为预测变量，实现脑语言响应的可解释性解码。
认知神经科学的核心目标：表征人类语言皮层编码的特征
现有方法的批评：LM-脑对齐研究被质疑为"黑箱对黑箱"
框架设计：
脑响应预测 = SAE稀疏特征 + Surprisal
关键技术：
SAE特征替代密集隐藏状态
显式包含Surprisal
成功恢复先前解释：
| voxel群体 | 特征调谐 |
|---|---|
| 处理难度调谐 | Surprisal驱动 |
| 抽象性调谐 | 语义抽象特征 |
此前未表征但可靠的 voxel 群体：
前颞-额叶语言网络发现：
非平凡对应性证明：
脑响应不是被任意LM特征集预测，而是被捕获最一般信息的特征最佳解释
结论：
层次结构:
顶层: 抽象语义特征
中层: 语法结构特征
底层: 具体词汇特征
计算公式：
surprisal = -log(P(token | context))
作用机制：
目标函数：
minimize ||brain_response - (SAE_features·W₁ + surprisal·W₂)||²
优化策略：
# 1. 提取SAE稀疏特征
sae_features = sae_model.encode(lm_hidden_states)
# 2. 计算surprisal
surprisal = -torch.log(token_probabilities)
# 3. 构建编码模型
encoding_model = LinearRegression()
encoding_model.fit(
np.concatenate([sae_features, surprisal]),
brain_responses
)
# 4. voxel群体解释
voxel_importance = analyze_feature_weights(encoding_model)
特征重要性排序：
SAE解耦：
额叶与颞叶差异：
选择性验证：
| 方法 | 可解释性 | Surprisal考虑 | 特征类型 |
|---|---|---|---|
| 本方法 | 高 | 显式包含 | 稀疏SAE |
| 传统编码 | 低 | 通常忽略 | 密集LM |
| 线性探针 | 中 | 不考虑 | 手工特征 |