Temporal Datalog
將 Event Calculus 與 LARS 映射到 Temporal Datalog，並以 Streaming Trigger Graphs 實現增量物化
在高速事件串流上即時偵測關鍵情境成為需求。本研究將實務上的EventCalculus與LARS片段編譯到具分層否定與無未來相依的Temporal Datalog，並提出Streaming Trigger Graphs以支援增量物化與刪減計算優化，提供統一的複合事件辨識機制，利於比較語言與推理器。
Temporal Datalog
在高速事件串流上即時偵測關鍵情境成為需求。本研究將實務上的EventCalculus與LARS片段編譯到具分層否定與無未來相依的Temporal Datalog，並提出Streaming Trigger Graphs以支援增量物化與刪減計算優化，提供統一的複合事件辨識機制，利於比較語言與推理器。
深度分析
在地端或資源受限環境微調大型語言模型時，傳統以可訓練參數數量為評估標準的做法容易誤導部署可行性。LARS（Low-memory Activation-Rank Subspace）提出把微調操作限制在序列池化後的低秩激活子空間，直接對抗中間激活張量所造成的記憶體高峰。