深度分析
連結 PCA、VAE 與擴散模型：生成式 AI 的數學脈絡解析
本書以一致的數學敘事串連生成式模型家族，從主成分分析切入，逐步導出機率潛變數、變分自編碼器、擴散與得分式方法，以及可逆流與對抗/能量式模型；作者比較可解似然技術與以距離或能量為核心的學習路徑，說明模型間的數學連結與工程取捨、並強化教學與研究基礎。
diffusion-models
深度分析
CFG‑EC：對無條件噪聲進行誤差正交化以改進 Classifier‑Free Guidance
擴散模型的 Classifier‑Free Guidance 有訓練與抽樣不一致問題。CFG‑EC 主動校正無條件噪聲，透過正交化消除誤差內積干擾，收窄抽樣誤差上界，實驗於 MSCOCO 與 Stable Diffusion 系列展現 FID 與 CLIP 的整體提升。
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
MUCS：以受限鏡像遺忘與噪聲一致化損失偏斜提升擴散模型訓練資料歸因
在生成模型領域，訓練資料歸因關乎可解釋性與責任分配。本研究提出MUCS方法，結合鏡像遺忘與噪聲一致的損失偏斜計分。方法透過受限鏡像梯度上升微調第二模型，並以一致噪聲樣本計算正規化偏斜分數。實驗在多組資料集上顯著超越既有方法，並展現較佳效率與泛化潛力。