해석 가능성(interpretability) 도구로서 희소 오토인코더(Sparse Autoencoders, SAEs)의 광범위한 사용은 SAE 특징(features)과 모델 행동 사이의 일관되지 않은 연결로 인해 제한을 받고 있습니다. 명확한 활성화 설명(activation descriptions)을 가진 특징이라 할지라도 인과적 효과(causal effects)가 약하거나 예상치 못한 방향일 수 있으며, 스티어링(steering)이 프롬프트에 따라 달라지거나 의도한 방향과 반대로 작용할 수 있습니다. 또한 활성화 기반의 특징 선택(activation-based feature selection)은 원하는 출력 변화를 생성하는 특징을 놓칠 수도 있습니다. 기존 연구들은 특징이 계산되는 모델 내부의 특징 기하학(feature geometry)을 연구해 왔습니다. 반면, 우리는 특징 개입(feature interventions)에 의해 발생하는 모델 로짓(logits) 변화의 기하학을 연구합니다. 우리는 다양한 문맥(contexts)에 걸쳐 동일한 활성 SAE 특징을 제거하고, 그 결과로 발생하는 로짓 변화의 클라우드(cloud)를 분석하는 비지도 학습 프레임워크인 특징 효과 기하학 분석(Feature-Effect Geometry Analysis, FEGA)을 소개합니다. 다양한 SAE 변체들을 살펴보면, 일관된 1차원적 효과는 드물게 나타납니다. 즉, 재사용 가능한 방향(reusable directions)처럼 작동하는 특징은 거의 없습니다. 이러한 변동성을 해석하기 위해, 우리는 사실적 속성과 같은 정적 정보에 결합된 값 유사 특징(value-like features)과 문맥 의존적 연산과 관련된 포인터 유사 특징(pointer-like features)을 구분합니다. 값 유사 특징은 비록 이러한 효과가 일반적으로 여러 방향에 걸쳐 나타나기는 하지만, 구조화된 저차원 효과를 더 자주 보여줍니다. 이와 대조적으로, 포인터 유사 특징은 주로 확산된(diffuse) 효과를 나타냅니다. 우리의 연구 결과는 어떤 특징이 스티어링을 위한 안정적인 방향을 제공하지 않더라도, 해석 가능하고 인과적으로 관련이 있을 수 있음을 보여줍니다.