深度分析
「牆時校準」漏積分監測器的雙穩態行為：代理人行動節奏的影響分析
研究指出，牆時校準的漏積分監測器在不同代理人間隔下會出現恆警或沉默兩種狀態，實驗證實真實編碼節奏落於恆警區間，並說明校準方式決定監測行為，對未來AI系統設計具重要影響。此外，研究比較了樣本時間校準的CUSUM與牆時校準的漏積分模型，發現前者在任意間隔皆保持穩定觸發，而後者則在間隔1至30秒間呈現急遽轉變。
CUSUM
深度分析
以馬可夫模型與學習式 CUSUM 快速偵測語言模型幻覺起始
本研究將幻覺起始視為快速變化偵測，使用第一階馬可夫模型推導出在1%誤報率下理論最小延遲約1.3 token，並比較多種檢測器，發現學習式CUSUM在11至13 token內偵測，遠快於高斯CUSUM的41 token與線性模型的31 token，指出資訊率瓶頸是主要限制，未來提升特徵可望縮短延遲。
深度分析
分散次閾值破壞（DSTS）攻擊與時間序列偵測：突破邊際監控的安全盲點
本研究針對AI控制監控中單步分數邊際保留的分散破壞攻擊進行分析，提出以Gaussian‑copula AR(1)構建的零邊際距離攻擊，證明傳統平均、最大或門檻監測無法偵測，而時間相關監測如CUSUM與SPRT在1%誤報率下可達0.95以上AUC，揭示監控架構的安全盲點並預測未來需整合序列偵測以提升防禦效能。