速報
XFactors：弱監督式 VAE 實現高效可分離表徵學習
可分離表徵學習常因缺乏監督而難以捕捉真實資料語意。XFactors 以弱監督 VAE 結合資訊瓶頸，將表示拆解為殘差與因子子空間，利用 InfoNCE 使同因子緊密、不同因子分離，並以 KL 正則化維持結構。實驗顯示在多資料集上達到最佳可分離分數，且在 CelebA 上成功實現因子交換，具備良好可擴展性。
InfoNCE
深度分析
InfoNCE 支援校正與多樣性條件在對比式學習中的理論與實驗驗證
對比式表徵學習在自監督領域廣受關注，但其能否恢復潛在幾何結構仍未完全說明。研究提出「多樣性條件」作為正樣本抽樣的支援需求，並證明在全支援的von Mises‑Fisher設定下，最小化全局對比損失可恢復潛在空間至正交變換；若抽樣多樣性受限，非正交映射可能取得更低損失。作者進一步設計支援校正的InfoNCE，使等距恢復再次可行，實驗在合成資料與CIFAR‑10上驗證了理論預測。
深度分析
WEINCE：結合 Weibull 極值理論校正 InfoNCE 的硬負樣本處理
InfoNCE 作為對比學習的核心目標，長期以 softmax 形式實作，隱含一種對最高相似度樣本的分布假設。研究指出，當嵌入向量正規化後，硬負樣本的相似度分布趨向有上限，與 Gumbel（softmax）假設不相容。
深度分析
pcsp：用 Persona‑Conditioned Shared Policy 與 InfoNCE 實現零樣本可追溯 NPC 行為
面對生活模擬遊戲的規模化NPC挑戰，研究提出pcsp：以凍結LLM嵌入加低秩投影，訓練單一共享RL策略並以InfoNCE保持軌跡一致性。在300人測試上，達到最高17×優於隨機、語意—行為Spearmanρ≈0.73，且推論比LLM基線快22×。