深度分析
MetaEns：以元學習預測邊際增益的無監督集成模型選擇
在缺乏標記的場景下，無監督異常偵測難以評估與組合模型。MetaEns透過元學習預測候選檢測器的邊際增益，並以相似度折扣與家族風險正則化促成多樣且精簡的集成。實驗顯示其在39個實務資料集上能以較少模型達成更高平均精確度。該方法兼顧冗贅抑制與風險控管，支援自動停止，減少運算成本並提升穩健性。
元學習
深度分析
HARMONY：以元學習與隱私保護對比對齊，緩解混合分割聯邦學習的表示偏移
隨著行動裝置算力與資料分布各異，混合分割聯邦學習面臨客戶端表示偏移問題。HARMONY透過元學習模擬多樣化提取器、隨機早期特徵抽取與隱私保護的監督式對比對齊，使伺服器能在不揭露標籤下對齊跨客戶端特徵，兼顧本地個人化與伺服器回退。實驗顯示在多模型族與資料分布下，整體測試準確率大幅改善。
深度分析
DeMP：結合元學習與 SAC 的跨回合欺瞞路徑規劃
研究處理會從歷史軌跡學習的觀察者，提出Repeated Deceptive Path Planning與Deceptive Meta Planning（DeMP）。DeMP結合回合內快速適應與跨回合元更新，主動預測觀察者學習，減緩適應滯後。實驗顯示可持續維持高欺瞞率且路徑成本具競爭力。
深度分析
Mochi：以帶偏置 ridge 讀出和元學習將少樣本推論納入圖形基礎模型預訓練
針對圖形基礎模型（GFM）普遍以連結預測或重建為預訓練目標、與下游少樣本任務不一致的問題，研究提出Mochi：一套將少樣本情境納入預訓練的元學習框架。每一訓練情境以節點/邊/整圖層級抽樣，於支援集上解析求解帶偏置的閉式ridge讀出，並將查詢損失的梯度反傳至編碼器，促使表示空間為線性可分而非僅反映連結幾何。
深度分析
以大型語言模型與 PPI++ 優化問卷設計：校正難度導向的樣本分配與平方根規則
面對實地問卷成本攀升，研究提出以大型語言模型輔助的人機混合估計框架，定義題目層級的「校正難度」來衡量模型可被人力修正的困難度，並推導出以平方根權重分配人力的最適規則，結合歷史問卷的零試驗預測，能在有限預算下提升估計精準與資源效率降低成本並加速決策應用
深度分析
基於心跳節律的元學習排程機制：強化 LLM 代理人的持續自我調節
LLM 代理人雖具推理與工具使用能力，但常受限於固定流程與事後反思。本文提出以心跳節律驅動的自主思考活動排程，透過週期性節點協調規劃、批評、回憶與夢想等認知模組，並以元學習持續優化排程策略。實驗顯示系統能根據歷史互動自動安排思考活動，並支援動態加入新模組。
深度分析
AHC：以元學習自適應層次壓縮實現 100KB 記憶體限制下的持續物件偵測
針對記憶體低於 100KB 的 MCU 進行持續物件偵測，研究提出以 MAML 為基礎的自適應層次壓縮，結合多尺度比例與雙記憶體結構，實驗顯示在嚴格預算下仍能維持競爭精度。