深度分析
「CuBAS」：利用資訊幾何曲率的自適應抽樣提升分類效能
隨著資料規模不斷膨脹，如何挑選最具資訊性的樣本成為關鍵。本文提出以資訊幾何曲率為依據的CuBAS抽樣框架，透過k近鄰圖與Potts隨機場計算局部曲率，將資料分為低曲率平滑區與高曲率決策邊界區，分別抽取代表樣本。實驗在30個資料集上顯示，分類準確率超過隨機抽樣與不確定性抽樣多個百分點。
資訊幾何
深度分析
「Lie 括號幾何」在因果發現中的應用：BRIDGE 與 SKFM 演算法深入解析
因果推論常受觀測與介入的差異挑戰，本文提出結合Lie括號幾何的BRIDGE與SKFM兩套演算法，以局部向量場檢測潛在混雜，並在合成與實驗資料上達到約0.86的F1成績，同時指出在真實蛋白訊號資料上仍需後續評分。此外，研究顯示在十節點非線性隨機DAG上的高召回率證明了幾何篩選的有效性。
深度分析
AI Engram：資訊幾何下的模型記憶編輯與跨架構實驗驗證
本篇報導聚焦於最新的 AI Engram 研究，提出一套以神經科學四大原則（特異性、再活化、充分性、必要性）為基礎的幾何逆問題，成功從深度神經網路的全局參數中分離出可辨識的記憶單位。研究展示了封閉式估計器能即時以線性算術編輯知識，無需迭代優化，且在從簡單的 MLP 到上億參數的大型語言模型皆具備可擴展性。
深度分析
內感、資訊幾何與訴求機制：具身視角在人工代理中的實作
本文改寫並解析一篇來自學術預印本的研究，提出一個極簡架構，將身體內側感（interoception）納入人工代理的視角生成機制。研究在無回饋獎勵的格網環境中整合外感與內感資訊，採用一個慢時尺度的視角潛變量、一個基於費雪資訊幾何的融合度量，以及一個把身體傾向轉為行動準備的訴求（conation）機制。
深度分析
Kerimov–Alekberli 模型：以資訊幾何與非平衡熱力學量化系統穩定性
本文改寫自Kerimov–Alekberli提出的資訊幾何框架，將非平衡熱力學與隨機控制形式化連結，主張以KL散度為異常度量、以費雪資訊矩陣導出動態門檻，並以首通時間（FPT）作為即時觸發。研究以NSL-KDD網路入侵資料集與無人機軌跡模擬驗證，報告在基準測試上展現高準確度與低誤報率。