Concept Attribution Analysis：归因 LLM 变化的原则性方法

基于摘要分析。本文研究 LLM 内部表征变化的概念级归因，提出 Concept Attribution Analysis：不再仅解释单个输入上下文的表征，而是利用相关上下文对之间的结构化变化，将观测到的表征差异归因于各个概念的变化。 核心机制是以概念对数后验概率对 LLM 表征的理论刻画为基础，把成对上下文的表征变化分解为概念特异的变化贡献之和。作者指出，单上下文解释具有欠定性，同一表征可能对应多种同样合理的概念解释；作者建立了使各概念贡献在全局置换意义下可辨识的条件，即便一对上下文中有多个概念同时变化。摘要未给出这些条件的具体形式，也未说明实际算法的目标函数、监督需求及配对数据构造方式。 作者报告，受控模拟验证了理论预测的可辨识行为，并显示方法在偏离理想化假设时具有一定稳健性；真实 LLM 表征实验展示了概念级变化归因的实用性。摘要未提供模型名称、样本规模、评价指标或定量结果。linear probing、sparse autoencoders 与 concept component analysis 被作为既有研究背景提及，不能据此认定均已纳入实验对照。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 表征中存在可对应于概念变化的潜在因素，且能构造控制混杂因素的条件配对，该思路可能用于分析表征差异，而非直接提升 BCI 解码。可考虑复用变化分解思路，但概念定义、配对机制及可辨识条件均需针对 EEG 改造；低信噪比、被试差异、通道变化和小样本可能使概念贡献与噪声混淆。一个可证伪的小实验是在具有已知潜在因素和变化贡献的合成 EEG 表征中，逐步加入噪声及因素共变，检验归因能否恢复真实贡献。已有 EEG 相关工作尚未检索确认。