TEMG-TTA
TEMG‑TTA：結合時序模體與測試期適配的區塊鏈交易圖異常檢測
近年區塊鏈交易模式快速變動，導致異常檢測面臨分布偏移問題。本文提出TEMG-TTA，結合時序三節點模體表示與測試期適應機制，共享訓練與測試間通用模式。方法透過高效模體配對降低計算複雜度並結合教師-學生正則化與可信節點選擇以減緩分布干擾。實驗顯示比先進方法平均提升54.88%。
Latest
深度分析
Knowledge-Boundary Fingerprinting (KBF)：以知識邊界數值回憶進行黑盒模型稽核
研究提出 Knowledge-Boundary Fingerprinting（KBF），利用模型在知識邊界對數值事實的穩定回憶作為指紋，對第三方中繼或轉售的黑盒 API 進行稽核。方法透過離線候選生成、跨設定穩定性篩選與線上統計檢定，能在部署變異、角色提示與檢索式封裝下維持穩定性。
SG‑SRL
SG‑SRL：以來源語單語料驅動的語義強化學習，提升低資源目標語生成品質
在低資源語言生成中，目標語平行資料稀缺，但來源語單語料豐富。
速報
生成式人工智慧引發自代表訴訟上升：聯邦民事文本與結果的變化
研究分析生成式人工智慧普及後美國聯邦民事訴訟，透過約280萬筆訴狀與文體指標偵測AI式草擬。結果顯示自代表原告比率自11.33%升至16.94%，且13.9%非格式訴狀出現AI一致性跡象，這類訴狀引用較多但更易被駁回或程序早期終結。並衍生司法可近性與法院過濾負擔的討論。
深度分析
MOOSE-Copilot：以 HAII 協議與樹狀可視化串接 LLM 的探索與精細化流程
MOOSE-Copilot提出一個結合探索式（divergent）與精細化（convergent）假說發掘的統一框架，並以形式化的人機互動（HAII）協議賦能研究者主導生成流程。系統透過三項明確訊號──初始藍圖、階段間路由與再生性回饋──讓使用者在自動化搜尋中選擇與引導路徑，同時提供網頁式樹狀視覺化介面，降低指令列工具門檻。
深度分析
Q-共軛因子字母：可組合的Forney風格因子圖與閉式變分／信念傳播
背景：深度機率模型需分層表達與不確定性傳遞。核心做法：以五種Q-共軛因子作為字母，在Forney因子圖上定義組合文法與閉式消息傳遞；路由層可堆疊成決策樹，並在有限精度下保留路由不確定性。主要影響：提供一條兼具表現力與推理解析性的可組合路徑。
深度分析
在高維表格預測中評估 Markov 邊界：效益、估計限制與替代策略
本文以合成基準SCM3K（3,450項任務、欄位數從40到1000）檢視Markov邊界在表格預測上的實用性。理論上，Markov邊界是最小且充分的特徵集合，限制迴歸器於邊界上能在有限樣本下降低誤差；實驗顯示這種改善在高維稀疏情況下更明顯。
多模態大語言模型
語義與物件級視覺證據：為 MLLM 長影片問答重構的實作與驗證
面對第一人稱長時段影片（如廚房示範）對多模態大語言模型的挑戰，研究提出一套將長片推理拆解為「語義證據」與「視覺證據」的雙層框架。離線以粗到細的 MLLM 摘要建立程序性語義庫，並以物件偵測器保存物件 bounding box 與視覺嵌入，線上根據問題做條件檢索與證據整合，選出精簡的關鍵影格供模型推理。
深度分析
DiLoCo 與分散式訓練：對運算治理與晶片追蹤的挑戰與對策
本文改寫自 ArXiv 研究，指出現行運算治理多假設大型前緣模型訓練需集中資料中心，但低通訊量的分散式訓練（以 DiLoCo 系列為代表）可透過壓縮梯度與增加本地步數，在低頻寬與高延遲環境下完成大規模預訓練，進而可能繞過以電力、熱影像與衛星監測為基礎的監管。
深度分析
Pocket‑Dentist：緊湊多模態視覺語言模型與LoRA微調在牙科影像的在地推論與效率評測
全球口腔病負擔高且偏遠地區缺診斷資源。研究提出Pocket-Dentist，將三種牙科影像與五類臨床問題統一為多模態問答基準，並納入效率指標與在地推論考量。在iPhone17Pro上微調後之2B模型達到每樣本4.31秒，本地推論兼顧準確與低延遲。
深度分析
以 STR（三重健壯）復原支付網路標籤：授權、回報與延遲三階段估計法
本文改寫自 ArXiv 研究，聚焦卡片支付網路中被遮蔽且噪聲化的詐欺標籤問題。作者將標籤復原表述為含三個選擇門檻（授權、發行者回報、成熟延遲）與標籤汙染通道的序列型遺失資料問題，提出 Sequential Triply Robust（STR）估計器。
前瞻模擬
分離風險估計與觸發決策：以前瞻模擬延後觸發降低會話偏離假陽性
本研究探討如何在對話持續進行時預測是否最終演變為人身攻擊，並提出將觸發警示的決策機制從風險估計中分離。研究團隊以人類行為為啟發，設計前瞻模擬判斷緊張時刻是否存在可行回復路徑，僅在無合理回復可能時才立即觸發警示。實驗結果顯示在維持整體預測準確度下，此方法能顯著降低假陽性率。