深度分析

深度分析

DualMem：以 SigLIP 與 k-NN 雙記憶校準，緩解 OWOD 的物件性瓶頸

開放世界物件檢測的未知預測流常被背景誤報與既有類別污染。研究提出DualMem，一種後設校準過濾器，使用凍結SigLIP特徵建立正負記憶並以近鄰似然比和Neyman–Pearson門檻抑制背景誤報，實驗在多種檢測器上呈現平均五成以上背景誤報下降。

深度分析

時序概念漂移對 Android 惡意程式檢測之影響：FGSM 與 SPSA 縱向韌性評估

以2008至2020年縱向Android資料為基礎，採用靜態與動態特徵並以FGSM與SPSA產生特徵空間對抗樣本，提出RobustDrop、ΔASR與AAF等時序指標，量化訓練與測試年份差距對乾淨與對抗準確率的影響，結果顯示時間分離會降低整體檢測穩健性，累積式重訓能部分緩解但無法完全恢復同年表現。

深度分析

Preisach Attention（PAL）與 PAL-Transformer：用極值堆疊實現速率獨立的長期記憶

在序列模型主導下，研究提出Preisach注意力（PAL），以物理學的Preisach滯後算子替代softmax注意力，透過極值堆疊保存以重要性為準的記憶，能在低深度下實現長期記憶並把推理複雜度降至O(nlogn)，對長時程任務有明顯影響。值得關注。

深度分析

HARNESS‑LM（HLM）：以三階段訓練將SLM表示轉移至低延遲檢索器

贊助搜尋面臨高吞吐與低延遲的矛盾，HARNESS‑LM以三階段訓練：先以大型SLM訓出高品質teacher，再用ℓ2對齊轉移向量到小型query編碼器，最後以對比微調精煉學生模型。實驗顯示可在保有高精準度的同時大幅降低線上延遲並帶來營收與曝光提升。

深度分析

CADENCE：以 Probability Flow ODE 與 Soft Mixture-of-Experts 從稀疏橫斷面重建個體時間動態

背景：個體連續時序通常需密集縱向資料，但實務常僅有稀疏快照。方法：CADENCE以PF-ODE做雙向空間編碼，並用SMoE由靜態上下文路由生成個體動態參數，結合分層幾何假設實現可識別性。結果：在稀疏橫斷面條件下，模型可恢復個體時序並與密集序列模型相當。

深度分析

動作原型字典與結構化稀疏流匹配：提升軌跡生成的可執行性與樣本效率

背景：機器人可執行軌跡為具體動作輸出，現有模型多以逐點密集方式生成，忽略潛在結構。方法：提出稀疏組合流匹配，於軌跡空間組合可重用動作原型，原型配可微長度遮罩與二元起始指標，維持形狀穩定。再以時序對齊與可微幾何損失強化接合一致性。結果：在多項基準上顯著提升預測精度並降低終點誤差比。

深度分析

使用強化學習的微正則圖生成器 DMGG：精準控制關聯性 (assortativity)

研究網路結構如何影響功能。本研究提出DeepMicrocanonicalGraphGenerator(DMGG)，用強化學習透過守恆度數的重接邊精準達成指定關聯性，生成速度較經典方法快至少一個數量級且維持高構型多樣性。可跨不同拓樸與規模泛化，並可用作微正則基準以量化次要結構指標。

深度分析

EvalVerse：結合製片管線與思考鏈（CoT）的視覺語言模型評測框架

隨著生成影片基礎模型朝電影級合成邁進，評測成為關鍵瓶頸。EvalVerse 提出一套以製片流程為架構的評測分類法，並透過專家大規模標註與人機校準，把電影美學與專業判準注入視覺語言模型，讓機器在評分前產出可解讀的 Chain-of-Thought 推理。

深度分析

以單應性與 Lipschitz 最適化進行形式化驗證：從相機位姿到像素的投影界限

背景：現行驗證倚重像素級ℓp擾動，無法精準涵蓋相機運動所致透視變形。本文以Lipschitz最適化從位姿參數導出閉式單應性，並結合分段線性界定獲得像素上下界，能整合既有驗證器。實驗顯示實作在速度與界限緊度上均優於先前方法。並指出實務案例中的弱點與認證挑戰

深度分析

以異構GNN實現圖基礎模型：HydraGNN 在大規模 OPF 預訓練與微調的成果

智慧電網需快速且可靠的最佳潮流(OPF)近似。本文採HydraGNN構建可擴展異構圖神經網路，保留母網多類節點與關係並進行全案例預訓練與領導級超參數搜尋。實驗橫跨十個PGLib案例與約三百萬圖樣本，結果顯示兩種異構骨幹在緊湊參數下取得最低驗證損失並提升下游微調效率。

深度分析

SymNoise：以對稱 Bernoulli 噪聲在嵌入層實現曲率正則化以提升指令式微調

背景：指令微調常在嵌入層注入隨機噪聲以提升性能。方法：本文比較均勻、高斯與 Bernoulli 噪聲，並提出對稱 Bernoulli 的 SymNoise，透過正負配對與恰當縮放約束局部曲率。結果：SymNoise 在多組基準與模型上普遍超越既有方法。

深度分析

Infra‑Bayesian 強化學習：以 Knightian 不確定性下的最壞期望提升策略魯棒性

研究指出在可表示性失效與策略相依環境下經典貝式強化學習可能產生誤判。本研究以InfraBayesian將不確定性表示為集合並採最差情境評估，於Bandit與Newcomb類決策示範比傳統方法更佳的最差表現。此舉強調區分隨機性與Knightian不確定性對策略選擇的影響。