頻率分離
FreeUp：以頻率分離與專責自編碼器改善加密流量異常偵測
面對日益普及的流量加密，傳統依賴載荷內容的異常偵測失去作用。論文發現加密流量在頻域呈現全頻（low+high）特性，而主流重建式模型具備低頻偏好，造成「光譜不匹配」使偵測表現受限。為此，研究提出FreeUp框架：先將流量影像拆為低頻與高頻兩條分支獨立學習，再以基於證據的不確定性機制動態融合分支輸出，得到更穩健的異常評分。
異常偵測
LAKE
LAKE：定位異常敏感神經元以實現無需額外訓練的視覺語言模型異常偵測
這篇研究提出 LAKE（Latent Anomaly Knowledge Excavation），挑戰把大型視覺語言模型視為黑盒的做法。作者主張異常辨識的知識已內含於預訓練模型，但多數相關神經元處於潛伏狀態，於是以少量正常樣本辨識並激活那批稀疏敏感神經元，結合局部視覺結構與跨模態語意訊號建構緊湊且可解釋的正常性表徵。
深度分析
KL 散度在高斯擾動下的最佳穩定性分析與應用
研究探討KL散度在高斯擾動下的穩定性，提出任意分佈與高斯族的銳利上界；證明√ε收斂率最佳；此結果擴展非高斯情境的KL推理，對流式模型的OOD分析具實務意義。
多變量時間序列
DBR‑AF：結合雙分支重建編碼器與自回歸流的多變量時間序列異常偵測方法
多變量時間序列異常偵測是工業與航太監控的關鍵。研究提出雙分支重建編碼器與自回歸流密度估計的 DBR‑AF 框架，分離跨變量相關與單變量統計，並以可逆變換建模殘差分佈。實驗顯示該方法在七大基準上達到最佳表現，提升偵測準確度。