深度分析
自監督學習新趨勢：預測表徵學習與 JEPA 的實驗比較
自監督學習近年聚焦對齊與重建，本研究引入預測表徵學習以預測未觀測資料。提出 PRL 分類，將 JEPA 視為典範，實驗顯示 BYOL 與 I‑JEPA 在準確度與魯棒性上較均衡，預示此方向將重塑 AI 研發與商業應用。
機器學習
深度分析
R-LOCO：區域化方法提升局部與全域特徵重要性解釋可靠性
本研究針對 Local Shapley Values 與 LIME 的局部解釋限制展開分析，指出它們在理想計算條件下仍會錯誤標示不相關特徵。為彌補此缺陷，作者提出 R-LOCO，先將資料空間分割成特徵重要性相似的區域，再於區域內套用全域解釋方法，產生更精確的局部貢獻。結果顯示 R-LOCO 能降低局部解釋的不穩定性，提升解釋可信度。
人臉密度
以人臉密度衡量資料複雜度：量化影像實例數的挑戰與影響
本研究探討影像資料中人臉密度如何影響模型表現，透過在 WIDER FACE 與 Open Images 以平衡抽樣控制密度，發現人臉數越多模型準確度越低。即使全程訓練，低密度模型在高密度測試仍會錯誤率提升至 4.6 倍，顯示密度是資料硬度的關鍵因素。
EXPONA
EXPONA：結構化多層次探索與可靠性過濾的自動化資料標註框架
研究背景指出手動標註成本高且易錯。EXPONA 透過多層次標籤函式探索與可靠性感知過濾，同時兼顧多樣性與精準度。實驗顯示在 11 個資料集上，標籤覆蓋率最高 98.9%，弱標籤品質提升 87%，加權 F1 提升 46%。
代理式個人化行銷
代理式個人化行銷的長期效益：11 個月案例研究與人機協同分析
本研究以大型消費者平台為背景，分析代理式個人化行銷在 11 個月的效益。研究先後比較人工策劃與代理自主兩階段的訊息投放。結果顯示，雖然人工階段提升最大，代理在被動階段仍保持正向提升，顯示人機協同可持續提升行銷表現。