深度分析
從熵到整合資訊：AI 系統中七大資訊理論度量的比較與實務決策
隨著資訊理論度量在 AI 中無處不在，本文提供選擇熵、交叉熵、互資訊、傳遞熵及 Phi、EI、自治等七項指標的實務框架，說明各指標適用情境、估算方法與最常見的誤用。藉由流程圖與決策表，協助研究者正確使用並避免將傳遞熵等同因果關係的錯誤。此框架有望提升 AI 研究的可重現性。
互資訊
深度分析
價值測度與資訊上限：多代理人系統的互資訊理論
研究以資訊理論的抽象手法，將價值定義為目標導向代理人在資源轉換中的速率，提出對數測度與資訊上限兩條基本定律，實驗證明感知互資訊可預測模型能力且價值與資訊呈高相關。此外，作者以實際語言模型測試，發現價值與資訊的關聯在不同任務形態下保持一致，驗證了理論的跨任務普適性。
深度分析
雙路注意力超網路實現零樣本互資訊估算：InfoAtlas 技術解析
統計依賴性是資料科學核心，InfoAtlas以預訓練雙路注意力超網路在單次前向即估算多變量互資訊，較傳統神經估計器快百倍且精度相當，已在合成基準與真實應用如獨立性測試、CLIP內嵌分析等驗證其效能。此外InfoAtlas透過切片互資訊處理高維資料，支援變動維度與樣本量，提供即時依賴分析的基礎。
速報
雙可預測性（Bipredictability）與資訊數位孿生：強化學習部署監控新指標
部署強化學習代理需維持觀察、動作與結果的閉環耦合。本研究提出「雙可預測性」(Bipredictability)與資訊數位孿生(IDT)，用熵與互資訊衡量循環中不確定性的解析與方向性。實驗顯示IDT在多種擾動下比獎勵式監控更早檢測耦合退化，檢測率與延遲皆有優勢。