深度學習

深度分析

合成影像證據工程：生成式影像能力加權、風險矩陣與分層治理

研究顯示新一代影像生成系統已從藝術合成進化到能產出合成視覺證據，具備可讀文字、場景一致性與編輯控制。這些能力結合視覺推理與快速迭代，讓假影像更容易進入社群、新聞與金融流程，增加誤導風險。結論是風險源自逼真度與文字可讀性、身分延續性及散布情境的交互疊加。

速報

Recoverability Maps：量化影像還原邊界以提升車牌辨識

都市監控與行動攝影可被副用途化為車牌辨識。研究提出recoverabilitymaps透過密集模擬退化參數掃描與兩項指標量化可復原範圍與失敗風險。實驗在極端視角與真實攝影器材雜訊下驗證，最佳模型可回復約93%的參數空間，結果顯示感測幾何比模型架構更決定成敗。

深度分析

Socrates Loss：結合未知類別的信心校準與分類統一損失函式

深度神經網路在高風險應用上常缺乏信心校準。Socrates Loss透過引入輔助未知類別與動態不確定性懲罰，統一分類與校準目標。實驗顯示其提升訓練穩定性，同時在準確度與校準間取得更佳平衡。

Theory of Mind

突破機器人心智理論：協同互動與參與式意義生成新框架

傳統機器人心智理論假設意義由內部狀態傳遞到行為，且需旁觀者推論。作者主張社會意義是即時協調產生，提出以協同政策取代內部模型、以主動參與取代觀察推論、以回應穩定意義取代固定解讀，對機器人設計與人機互動產生深遠影響。

VOLTA

VOLTA：輕量化深度學習校準方法揭示輔助損失的低效性

研究指出在安全關鍵應用中，不確定性量化缺乏共識。VOLTA 只保留編碼器、原型、交叉熵與溫度縮放，省去多餘輔助損失。實驗顯示其在 CIFAR‑10 等資料集上校準誤差最低，且具備良好異常偵測能力，成為輕量校準替代方案。

知識蒸餾

知識蒸餾：將 12 個模型集合壓縮為部署友好 AI 模型

為降低大型模型在生產環境的延遲與複雜度，研究者利用知識蒸餾將 12 個教師模型的軟目標作為指導，訓練出更小的學生模型。透過溫度縮放與 KL 散度損失，學生模型在 160 倍壓縮下恢復 53.8% 的精度提升。此方法顯著提升部署效率，對 AI 應用具實質推動力。

SE ViT-BiLSTM

SE ViT-BiLSTM 混合架構：提升工業與醫療物聯網入侵檢測的準確率與即時性

研究人員開發出 SE ViT-BiLSTM 混合模型，將 SE 注意力機制與 ViT 及 BiLSTM 結合，顯著提升工業與醫療物聯網的入侵檢測準確率。在 EdgeIIoT 與 CICIoMT2024 數據集測試中，模型準確率最高達 99.33%，且具備極低延遲，能有效應對複雜網路攻擊。

醫療影像分割

醫療影像分割突破：利用 IAC 植入式適應單元優化預訓練 U-Net 性能

研究人員提出 IAC 植入式適應單元，透過將小型模組植入預訓練 U-Net 的跳躍連接中，在不需全面重新訓練的情況下，顯著提升醫療影像分割精度。在 MRI 和 CT 影像測試中，精度提升約 5% 至 11%，為醫療 AI 模型優化提供低成本高效路徑。