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。
生成式模型
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。