深度分析
PI-CMDP：在層級DAG下以因果辨識與資訊壓縮實現工程模擬序列修復
工程模擬管線的約束錯誤會沿依賴關係串聯惡化。本文提出PI-CMDP：在層級DAG與LOA假設下，採識別—壓縮—估計流程，透過回門辨識與層內交換性壓縮狀態，並以物理導向的雙重穩健估計降低稀疏資料下的變異。實驗在TPS基準上展現小樣本修復成功率提升與串聯失敗風險降低。
深度分析
工程模擬管線的約束錯誤會沿依賴關係串聯惡化。本文提出PI-CMDP：在層級DAG與LOA假設下，採識別—壓縮—估計流程，透過回門辨識與層內交換性壓縮狀態，並以物理導向的雙重穩健估計降低稀疏資料下的變異。實驗在TPS基準上展現小樣本修復成功率提升與串聯失敗風險降低。
深度分析
本研究以 EMA 為簡易循環上下文探討序列模型的能力界線。研究顯示 EMA 能編碼時間結構，且多時間尺度 Hebbian 架構在語法角色指派上達到監督 BiGRU 96% 的表現，然而其會抹除詞彙身份，使大型語言模型的困惑度僅達 260，突顯固定係數累積的資訊稀釋問題。