深度分析
資訊瓶頸動態框架 IB‑Flow：突破 2 步文字‑影像生成的效能上限
隨著大規模文字到影像模型在品質上突破，推理速度仍受多步限制。IB‑Flow 利用資訊瓶頸動態選取注入時機與強度，於2步配置下消除過度條件化，實現最新的生成忠實度。此框架克服靜態注入限制，較傳統CFG蒸餾與Flow Matching在結構保真與色彩自然性上有明顯優勢。
資訊瓶頸
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。
深度分析
從動態系統看大型語言模型：資料策展、依賴門檻與泛化衰退
研究指出大型語言模型改變知識生產；本文用人類—模型反饋迴路建立簡化動態模型，聚焦人類認知、資料品質與模型能力三變數，並以信息論說明過度依賴AI會導致資料多樣性下降與次優穩定。研究還預測存在臨界依賴門檻，超過後系統可能進入低多樣性悖論性平衡，建議以資料策展與人機協作設計作為緩解。
深度分析
自監督編碼器的資訊瓶頸與 SIGReg 分佈正則化深度解析
資訊瓶頸理論指出，編碼器需在壓縮輸入與保留預測資訊間取得平衡。研究將 IB 重新詮釋為以 KL 為失真度的率失真問題，證明最佳表徵等同於在機率單純形上的軟式聚類，並提出 SIGReg 作為高斯放寬的分佈正則化。實驗在簡單任務與 FashionMNIST 上驗證了理論的率‑失真權衡，顯示此正則化可在缺乏標籤的情況下提升學習效能。
DySIB
DySIB：以資訊瓶頸在潛空間最大化預測互信息以學習動力學相空間
在高維實驗觀測中辨識動態狀態變數為關鍵挑戰。論文提出DySIB：在潛在空間中，同步壓縮過去與未來觀測視窗，最大化預測互信息並懲罰表示複雜度，不進行影像重建。於擺錘實驗影片上，DySIB回復出二維相空間，學得的座標與慣常角度與角速度對應，可直接以潛空間描述物理動力學。