深度分析
CAKE 邊界搜尋蒸餾於自編碼器失敗：理論與實證分析
本研究探討無資料知識蒸餾方法 CAKE（對比溯因知識萃取）能否應用於自編碼器這類瓶頸生成架構。作者將 MNIST 連續重建任務重新表述為每個像素的分類問題，使解碼器輸出分類 logits，從而讓 CAKE 可直接套用。
自編碼器
深度分析
成員與生成推論 (MGI) 問題：Data Circuit Breaker 技術突破與應用前景
生成式模型逐漸能產出與真人無異的影像，導致難以分辨樣本是訓練成員還是模型自行生成。研究提出成員vs生成推論(MGI)任務，並開發DataCircuitBreaker三階段方法，結合自編碼器與潛在生成器辨識，成功區分真實訓練資料與近似複製的生成樣本，提升隱私審計與模型迭代安全。
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。