深度分析

深度分析

Cobalt：以雲端向量化模擬與智慧手機遙控擴展機器人模仿學習

機器人模仿學習受限於高品質示範資料短缺。Cobalt以雲端向量化模擬與手機/VR等平價裝置實現全球遙控，支援單GPU多使用者併發、低延遲串流與即時品質過濾。研究展示七千五百筆示範資料並驗證可用於訓練模仿學習策略，降低資料蒐集門檻，提升規模化可行性。

深度分析

Trivy 供應鏈被濫用：Checkmarx 與 Bitwarden 遭惡意發佈與憑證濫用分析

近期一次供應鏈事件顯示攻擊者利用受信任的檢測工具作為載體，先入侵Trivy並透過被盜帳號向Checkmarx與Bitwarden等受害者散布惡意程式，惡意程式會在環境中搜尋儲存庫token、SSH金鑰與其他憑證，結果導致安全廠商本身成為放大器，並可能引發更多下游入侵與資料外洩風險。

深度分析

Corti 推出 Symphony for Speech-to-Text：臨床級語音辨識將醫療轉錄 WER 降至 1.4%

Corti在醫療AI領域推出專為臨床語音設計的SymphonyforSpeech-to-Text，支援即時口述與會談轉錄，並以臨床語料與結構化輸出提升醫學術語識別準確性。測試顯示英文醫學術語WER降至1.4%，對下游AI判讀與臨床應用有實質影響。

深度分析

MANGO：透過梯度閘控與元學習正則化調控線上持續學習的穩定性與可塑性

線上持續學習需單次通過串流資料以解穩定性與可塑性衝突。MANGO以參數層級的梯度閘控與元學習正則化，利用重放緩衝評估遺忘影響，動態調整更新幅度。閘控依規範後參數敏感度縮放梯度，元正則化以重放回饋學習層級穩定係數。實驗在三個基準與多種緩衝大小下達到領先表現並產生正向回溯轉移。

深度分析

CRAFT：結合原子陳述、ASR 與批判迴圈的多影片來源可追溯問答管線

新聞事件的多影片問答需要在異質影片中找出可追溯的證據。CRAFT結合動態關鍵影格、逐段ASR和混合批判回路，反覆驗證及修正每一原子陳述並合併引用。實驗顯示在MAGMaR評測上達到領先表現並提升引用準確性。該流程在召回與引用F1等指標上具體提升，且在WikiVideo轉換集上也展現穩定性。

深度分析

DFBScanner：以最終分類層靜態參數分析進行快速後門偵測

隨著深度模型被植入後門威脅增加，研究提出只檢查最終分類層參數的快速檢測法。DFBScanner以多維異常指標組成木馬線索並計算相似度以判定後門。該法在大型基準展現高偵測率且平均僅需1ms。它無需測試資料也不用GPU,可在模型分享平台與邊緣設備做大規模審計。

深度分析

Head-Conditioned Canaries 審計推理痕跡：解析 parser-split bypass 與 decode-time prefill 敏感性

研究聚焦推理模型遺忘審計中思考痕跡仍輸出被忘內容的現象，採head-conditionedcanaries、LoRA記憶與NPO遺忘，並以decode-timeprefill交換檢查；結果顯示parser-split的bypass差距不必然代表權重記憶，建議加入固定prefill與teacher-forced驗證以提高審計可靠度。

深度分析

KG-ASG：以碰撞知識庫驅動的閉環主從式對抗場景生成框架

自動駕駛安全測試面臨長尾高風險場景難題，KG-ASG以碰撞知識庫與CollisionExpert導引主從式對抗場景生成，將主攻方與支援車角色語義化並加強閉環可執行性。實驗於MetaDrive重構資料上顯示該方法在攻擊成功率與單一歸因性上具顯著提升，並透過規則與控制器回饋完成終局精煉降低多車碰撞案例且提升可解釋性與可執行性

深度分析

LLM社會模擬的架構敏感性與TRAILS稽核框架

研究指出，將大型語言模型用於多代理社會模擬時，微小設計差異可能引發宏觀結果大幅變動。文章以囚徒困境與社群回音室為例，展示人設格式與指令語態等改動能明顯改變合作率與極化指標，並提出TRAILS作為逐層穩健性稽核框架。實驗顯示最高76百分點的合作率變動。需逐項稽核。且跨模型差異大

深度分析

Soft Learning：以異質專家庫與非負最小二乘（NNLS）求解可證明最優加權

在實務上，工程師常在強大但昂貴的深度網路與快速但有限的經典演算法之間取捨。Soft Learning 採用一組結構異質的「專家」——從線性模型、樹系、核方法到神經網路——透過分層交叉驗證取得誠實的離樣預測，並以非負最小平方（NNLS）在機率單純形上求得全域唯一的凸加權解。

深度分析

極值堆疊為速率不變泛函的Kolmogorov最小充分統計量

本文在離散格點上，將焦點放在序列的極值堆疊（alternating extremum stack）與速率不變（rate-independent）泛函的關係上。

深度分析

守恆量學習比較：CDN、多項式與結構化能量網路在哈密頓系統中的還原能力

背景：深度模型能短期預測物理軌跡但可能違反守恆。方法：研究以守恆發現網路與結構化能量網路直接從軌跡學習不變量，並檢驗訓練排程與雜訊敏感度。結果：結構化先驗在匹配系統時能極好重現解析能量，但在有狀態雜訊或訓練不足下，黑箱式或多項式方法表現各有利弊。