稀疏自编码器实现可控LLM分类的自正则化技术

摘要

现代文本分类方法严重依赖大语言模型（LLM）的上下文嵌入。与人工设计的特征相比，这些嵌入为分类模型训练提供了自动有效的表示，但也带来了挑战：由于LLM嵌入的不透明性和难以解释性，我们无法手动移除非预期特征（如敏感或任务无关特征）以保证监管合规性或提升分类模型的泛化能力。

方法

提出了一种新颖的框架来识别和正则化LLM潜在空间中的非预期特征。具体包括：

1. 预训练稀疏自编码器（SAE）：从LLM潜在空间中提取可解释特征
2. 任务特定微调：在任务特定数据集上进一步微调SAE以确保其捕获任务相关特征
3. 自正则化设计：在分类模型训练过程中，通过最小化分类器权重与已识别非预期特征之间的相似性，设计简单有效的正则化器来消除这些特征对分类的影响

实验验证

在三个实际任务中评估了所提框架：

• 毒性聊天检测
• 奖励建模
• 疾病诊断

结果表明，通过正则化那些与任务语义不相关的特征，所提出的自正则化框架能够有效提升分类器的泛化能力。

意义

本研究首次利用可解释特征在LLM潜在空间上实现可控文本分类，为解决泛化性、公平性和隐私挑战提供了新思路。代码和数据已公开。