深度分析
利用分散式 Wasserstein 重心與幾何插值代理緩解資料孤島中的模型崩潰
在資料稀缺且受限於隱私的環境下，傳統的樣本選擇會偏向本地分布，導致生成模型的多樣性逐漸喪失，出現模型崩潰。研究提出利用多個資料孤島的Wasserstein代理參考，無需共享原始資料，即可緩解多樣性衰減。實驗顯示，協作式代理能顯著降低崩潰風險，提升遞迴式合成資料管線的穩定性。
模型崩潰
深度分析
跨孤島 Wasserstein 代理緩解樣本選擇偏差引發的模型崩潰
隨著合成資料遞迴訓練普及，模型崩潰成為嚴重問題。研究指出在醫療、金融等資料孤島中，僅依賴本地參考會加劇樣本選擇偏差，導致多樣性衰減。透過跨孤島的Wasserstein代理參考，可在不共享原始資料的前提下緩解崩潰，提升模型多樣性。此方法為分散式AI研發提供新方向，預期可降低資料孤島對創新速度的限制。
深度分析
合成資料汙染與模型崩潰：雙層 SIR 框架在 AI 生態系統中的應用與實驗
隨著AI生成文字佔網頁比例激增，研究以雙層SIR模型量化合成資料汙染，發現偵測過濾與群體免疫是抑制模型崩潰的關鍵策略。模型與資料庫互為感染層，基本傳染數R0超過一，暗示若不加干預，汙染將呈指數擴散，威脅未來AI產業生態。業者與研究者需同步加強檢測與資料治理。