연구진은 희소 오토인코더(SAE)의 다층 기능 매칭과 회로 압축 문제를 해결하기 위해 의미론적 최적 수송 기법을 도입했어요. 각 기능을 단일 디코더 벡터가 아닌 활성화 가중 분포로 표현하여 층 간 기능 비교를 위한 통일된 의미론적 척도를 제공해요.
제안하는 방법은 활성화 재조정 불변성, 안정성, 유한 샘플 마진 조건 하에서 실제 매칭 복구 능력을 보장하며, 기존 디코더 벡터 및 LLM 기반 방법보다 우수한 성능을 보여줘요.
특히, 이 방법은 대규모 기능 회로를 해석 가능한 슈퍼노드로 자동으로 압축하며, 기능 간의 미묘한 기능적 차이를 포착할 수 있어요.