대규모 파운데이션 모델은 언어, 비전, 추론 작업에서 강력한 성능을 보입니다. 그러나 이러한 모델이 내부적으로 개념을 어떻게 구조화하고 안정화하는지는 여전히 파악하기 어렵습니다. 인과 추론에서 영감을 받아 Concept Trees를 기반으로 구축된 MindCraft 프레임워크를 소개합니다. 각 레이어에서 스펙트럼 분해를 적용하고 주요 방향을 분기하는 Concept Paths로 연결함으로써 Concept Trees는 개념의 계층적 출현을 재구성하고, 공유 표현에서 선형적으로 분리 가능한 하위 공간으로 정확히 언제 분기되는지 밝힙니다. 의료 진단, 물리학 추론, 정치적 의사 결정 등 다양한 분야의 다양한 시나리오에서 수행된 실증적 평가는 Concept Trees가 의미론적 계층을 복구하고, 잠재적 개념을 분리하며, 여러 도메인에 걸쳐 광범위하게 적용될 수 있음을 보여줍니다. Concept Tree는 딥 모델의 개념적 표현에 대한 심층 분석을 가능하게 하는 널리 적용 가능하고 강력한 프레임워크를 구축하여 해석 가능한 AI의 기초에서 중요한 진전을 이룹니다.
