深度分析
座標自由校正與功能指紋辨識：神經崩潰下 MLP 模型的捐贈者專屬指紋
本研究以五個獨立訓練的 MLP‑5 網路在 MNIST 上重現神經崩潰現象，採用正交 Procrustes 對齊與仿射校正將捐贈者分類頭映射至受贈者座標系。結果顯示，在完成受贈者層級的基線校正後，所有 20 組捐贈者‑受贈者配對均能正確辨識，統計檢驗 p=0.0083，證實功能指紋的可偵測性。
MLP
深度分析
「ParallelepipedoNN」利用格路徑遍歷提升 MLP 對抗樣本魯棒性形式化驗證
針對人工智慧安全中的對抗魯棒性問題，本研究提出 ParallelepipedoNN 框架，將多層感知器的驗證過程轉化為格路徑遍歷問題。透過定義健全與完整認證，並利用格遍歷算子進行迭代精煉，該系統能精確計算出最大健全與最小完整區間。研究結果顯示，此方法能克服傳統凸鬆弛方案的低精準度問題，並為魯棒性優化提供非平凡解的決定性保證。
Transformer
在Transformer MLP中放大激活稀疏：平坦性理論、導數稀疏與JSReLU實作
這篇研究從訓練動力學角度出發，將Transformer中MLP模組自發出現的激活稀疏性（activation sparsity）與損失平坦性(flat minima)建立數學連結。
深度分析
以輕量編碼器＋MLP與元資料還原被生成式 ISP 幻覺化的影像
隨著生成式人工智慧被整合進相機的影像信號處理器（ISP），原本被視為可信的「相機直出影像」出現可能被幻覺化的風險。本文提出一套以元資料輔助的恢復方法：在拍攝時將一個預訓練的輕量編碼器與可於單張影像快速微調的多層感知器（MLP）解碼器產生的參數儲存於圖片元資料中。