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。
深度分析
深度分析
GenAI‑FDIA：結合物理解約與WGAN、MMD‑VAE、正規化流與擴散模型的電力系統FDIA評測框架
在資料稀缺與隱私壓力下，GenAI‑FDIA以20種物理制約生成模型合成電力系統的假資料注入。研究在三個IEEE測試系統上評估，揭露標準化後的物理解投影會使攻擊向量移位，並提出推理階段的harmoniser與warm‑up修復策略以恢復隱匿性。
深度分析
以SAGE改造KL錨點：在RLVR中提升多步推理的探索與覆蓋率
近年以可驗證獎勵的強化學習（RLVR）在提升大型語言模型單一路徑準確度上成效明顯，但常見模式銳化導致樣本覆蓋不足。本文介紹SAGE框架，藉由在reverse-KL的錨分布上加入可控的引導函數q(x,y)，在保留穩定性的同時有系統地擴展經驗支持（empirical support）。
深度分析
神經碼本通道與變分稽核證書：在 VAE 中檢驗編碼－解碼耦合一致性
變分自編碼器（VAE）常被當作離散碼本使用，但傳統指標如 ELBO、活躍單位與互信息只檢視邊際使用，無法確認解碼器是否以與編碼器相同的碼簽來「讀取」潛在表示。
深度分析
Bits-over-Random（BoR）：為何在 K=100 下檢索覆蓋率 >99% 仍接近隨機
研究發現對LLM的大量檢索下，表面>99%成功率可能等同隨機。論文提出Bits-over-Random(BoR)=log2(Pobs/Prand)衡量檢索選擇性，指當λ=K·R̄q/N超過3–5時選擇性崩潰，建議以BoR指引K與工具載入策略。
深度分析
CAPE 框架揭示語言模型能力相變與可工程化的「對齊稅」消解策略
本文改寫自 ArXiv 的研究《Lying Is Just a Phase》，報導研究團隊透過CAP E（Capability Coupling Analysis of Phase Emerence）框架，分析63款、16個家族的語言模型，揭露推理能力與真實性（truthfulness）之間存在清晰的相變：在家族依賴的臨界規模Nc之前，能。
深度分析
資料仲介與人工智慧供應商的操控式退出：EPIC 揭示八類障礙與治理挑戰
EPIC針對美國多家大型資料蒐集者檢查退出機制，發現廠商用藏匿連結、分散或重複表單、預設同意、付費牆等設計阻礙用戶退出。報告指出，像OpenAI、Meta、Google與人肉搜尋業者未提供清楚或實際的退出途徑，導致個資持續流通，並可能帶來隱私與人身安全風險。
深度分析
稀疏自編碼器揭示語言模型的特徵生命史與載體骨幹
研究指出語言模型內部的特徵並非靜態，而有明顯的「生命史」：誕生、存續與消亡。作者以稀疏自編碼器（SAE）在多個訓練檢查點追蹤特徵的發火模式與解碼方向，識別出一小群在訓練早期（約前1%）就已成形的「載體骨幹」。這些持久特徵不但在訓練收斂時佔據代表性結構的核心，且對模型性能的聯合消融造成更大影響，顯示早期選擇對最終表徵幾何有決定性作用。
深度分析
Agentic GraphRAG 與 Neo4j：在商業登記上實現多跳推理與可稽核檢索
本研究提出 Agentic GraphRAG，一套以 Neo4j 知識圖為核心、結合確定性結構匯入與大型語言模型（LLM）抽取的代理式檢索框架，專為商業登記事項而設。系統把驗證過的結構欄位當作強節點，並用 LLM 從公告文本抽出弱節點，再以確定性方法做身份解析與去重。
深度分析
Aristotle API + Lean 4：AI 輔助形式化 Grasshopper 問題的驗證現況分析
本文以一個可檢視的案例，報告使用 Aristotle API 結合 Lean 4 嘗試形式化 IMO 2009 的 Grasshopper 組合問題。Aristotle 產出一套 Lean 檔案，成功驗證四個局部輔助引理（包含最終和式、相鄰交換的影響與最大化引理），但主定理以未證明的 placeholder（sorry）收尾。
深度分析
ATR 自適應表格檢索：查詢閾值與滑動視窗重排提升 text-to-SQL 精準度與效能
面對查詢所需表格數變動性,固定top-k檢索常漏或噪入。ATR採查詢自適閾值、相關性校準與語義群聚損失,並以滑動視窗重排提升大規模語料處理效率,在Spider、BIRD與Spider2.0上顯著抑制多餘表格並提高下游text-to-SQL執行準確度。
深度分析
Pro-SF：以前景理論驅動的策略分類與行為式防護框架
在招聘、授信與醫療篩檢等應用中，傳統策略分類（Strategic Classification）多假設個體完全理性，但行為經濟學與心理學顯示實際決策常有系統性偏誤。