深度分析
Kalman Evolve：以大型語言模型與演化搜尋發現可解釋的非仿射卡爾曼更新
本研究提出 Kalman Evolve，一套結合參數校準與結構學習的框架，旨在解決當觀測為非線性（例如多普勒雷達、LiDAR）時，傳統卡爾曼過濾器的結構性侷限。方法分兩階段：先估計過程與量測雜訊協方差 Q、R 建立校準基線，再透過大型語言模型輔助的進化搜尋，以語意化程式變異空間作為先驗，發現保有遞迴形式但引入非仿射更新的可解釋演算法。
深度分析
本研究提出 Kalman Evolve，一套結合參數校準與結構學習的框架，旨在解決當觀測為非線性（例如多普勒雷達、LiDAR）時，傳統卡爾曼過濾器的結構性侷限。方法分兩階段：先估計過程與量測雜訊協方差 Q、R 建立校準基線，再透過大型語言模型輔助的進化搜尋，以語意化程式變異空間作為先驗，發現保有遞迴形式但引入非仿射更新的可解釋演算法。
H‑Risk
研究從控制理論角度檢視幻覺現象，將康德認知架構比作反饋穩定機制。作者提出H‑Risk複合指標衡量閉環條件數與靈敏度，並在線性高斯系統與大型語言模型實驗中發現：結構性脆弱會導致過度自信和錯誤產生，對校準與幻覺診斷具實務啟示。並指向可選擇性降低過度自信的診斷與修正方向。