深度分析
同質-異質分割結合忠實度與多樣性提升合成影像篩選效能
研究指出，固定的合成影像池可透過同質與異質分割選取具高語意相符且多樣性的子集，以提升下游模型效能，且在多項基準上以最高40%更少樣本匹敵真實資料表現。該篩選機制不依賴生成器再訓練，兼具忠實度與多樣性平衡，為生成式模型的資料後處理提供通用解決方案。
生成式模型
深度分析
成員與生成推論 (MGI) 問題：Data Circuit Breaker 技術突破與應用前景
生成式模型逐漸能產出與真人無異的影像，導致難以分辨樣本是訓練成員還是模型自行生成。研究提出成員vs生成推論(MGI)任務，並開發DataCircuitBreaker三階段方法，結合自編碼器與潛在生成器辨識，成功區分真實訓練資料與近似複製的生成樣本，提升隱私審計與模型迭代安全。
深度分析
從四大封裝原語看生成式 AI 的可驗證架構與 Grounded Inference
隨著生成式AI進入企業系統，缺乏確定性成為主要風險。本文提出四大封裝原語與兩大反模式，說明如何在資料流中劃分Order與Entropy，並以微軟與浙江大學的模型研究作對照，預測此框架將提升可重現性與合規性。透過模型封裝器與確定性協調者的分層設計，可將隨機性限制在必要語意推理環節，避免系統整體失控。
深度分析
Proto-LeakNet：結合訊號洩漏與時間注意力的生成式人臉影像來源辨識框架
隨著生成式模型日益逼真，辨識來源成關鍵挑戰。Proto‑LeakNet透過擷取擴散模型潛在空間的訊號洩漏，結合時間注意力與原型頭，實現閉集分類與開集密度評估。實驗顯示其在後處理下仍維持高達98%的MacroAUC，提升了對未知生成器的可解釋追蹤能力。
深度分析
生成式模型削弱驗證與人類時間學習：價值崩潰的四階段機制分析
研究指出生成式模型削弱驗證能力，從醫療、法律、學術到內容平台形成四階段驗證侵蝕，致使人類長期學習成果難以被辨識，市場上低成本AI輸出與高成本人類產出競爭，可能引發價值崩潰，呼籲加強溯源與審計機制以保護深度知識。政策建議包括透明溯源、強制標記與審計激勵，以提升驗證能力並防止價值崩潰。
深度分析
多金鑰水印在生成式模型中的監測與歸因風險
研究提出把水印視為一項監測原語，而非僅是單筆偵測或防偽工具。作者以觀察者（observer）威脅模型區分內部觀察者（有金鑰）與外部觀察者（無金鑰），指出即便是零位元水印，在多金鑰部署下也會產生持久的、可被聚合的統計結構，進而支持實體層級的歸因與連結。
深度分析
SRO：以抽樣魯棒化強化生成式模型在投資組合配置的決策表現
隨著生成式模型成為不確定性引擎，傳統分布式魯棒優化無法直接處理抽樣層面的誤差。本文提出抽樣魯棒最佳化（SRO）概念，透過擾動生成器取得最壞抽樣，並以鋭度感知方式提升決策穩定性。實驗顯示在投資組合配置上，SRO 可減少樣本偏差並在分布變換時提升績效。
深度分析
RecGen：從稀疏 RGB‑D 觀測同時推估形狀、結構與 6‑DoF 姿態
隨著機器人模擬需求提升，稀疏RGB‑D觀測的完整3D重建成為挑戰。RecGen結合生成式模型與姿態估計，同時支援單視與多視輸入，並以合成遮蔽資料學習。實驗顯示在多項基準上比SAM3D提升30%以上，且訓練資料量減少近八成。此技術有望降低機器人數位孿生建構成本，促進AI在實境模擬與自主導航的落地應用。
合成軌跡
合成軌跡評估框架：以生成式模型衡量效用與隱私風險
移動軌跡資料既敏感又具多面應用。研究提出合成軌跡效用評估框架，並檢視生成式模型的隱私檢測。結果顯示使用者連結指標可能掩蓋風險，並提出針對模糊生成器的會員推斷攻擊，突顯隱私挑戰。研究同時建議以成員推斷攻擊等對抗性評估補強隱私檢驗，並強調監管與對抗測試的重要性。