深度分析
利用模仿學習與神經符號行為樹在 CybORG 環境中預測紅色代理人政策
隨著高階網路攻擊頻傳，研究提出以模仿學習於部分可觀測環境中推斷攻擊者政策，結合神經符號行為樹即時預測紅色行動，實驗顯示在多種攻擊策略下預測準確率超過九成。此方法可在藍方觀測到的主機與子網狀態下，利用先前觀測與藍方行動推斷紅方策略，對比傳統僅依賴藍方行為的 RL 模型，提升偵測與回應速度。
模仿學習
深度分析
基於模仿學習的政策學習技術於神經符號防禦代理人之紅方行動預測
隨著網路攻擊手法日益複雜，研究提出以模仿學習結合神經符號行為樹，從觀測推測紅方策略並即時預測其行動，在多種模擬情境中達到高準確率，提升自律式防禦效能。此方法亦能辨識不同攻擊策略間的切換，並提供防禦方即時調整策略的依據。實驗顯示，在MITRE ATT&CK基礎的CybORG環境中，預測正確率超過九十五%。
深度分析
TAVIS基準：量化主動視覺在模仿學習中對性能與預期性凝視的貢獻
主動視覺在模仿學習中被視為提升操作能力的關鍵。本文介紹TAVIS基準，包含Head與Hands兩套任務、雙人形軀體與同步頭/固定攝影機比較。提出GALT指標量化預期凝視，並展示主動視覺於部分任務有助提升成功率且對分布轉移敏感。基準還提供ID/OOD切分與公開示例資料便於比較評估。
端對端自駕
PaIR-Drive：平行式協同模仿與強化學習框架提升端對端自駕表現
端對端自駕依賴模仿學習受示範限制。PaIR-Drive 以平行支路同時進行模仿與強化學習，避免策略漂移。實驗顯示其在 NAVSIM 基準上達到 91.2 PDMS 與 87.9 EPDMS，表現優於傳統微調。