深度分析
參考式合成影像歸屬：中層特徵與語意對齊的效能突破
合成影像歸屬研究聚焦於不需訓練的參考式方法，分析表徵層級與參考選取的交互。結果顯示中層CLIP/DINO表徵最佳，語意對齊參考提升準確，對未來AI產業的防偽與模型追蹤具重要意義。研究比較了任意、語意對齊與重合成三種參考策略，發現在參考數量受限時，重合成可顯著提升辨識率。
語意對齊
深度分析
利用語意向量與 Optimal Transport 實現跨平台 APT 零標籤偵測
本研究針對跨作業系統 APT 偵測，提出僅使用來源平台標籤的語意對齊與最佳運輸 (OT) 異常評分框架，將程式行為抽象為自然語言描述並嵌入共享語意空間，同時結合圖結構自編碼與 OT 幾何偏差，於 DARPA 多平台資料測試顯著提升 ROC‑AUC 與 nDCG，證明在無目標標籤情況下可實現跨平台威脅偵測。
深度分析
LLM 驅動社交代理在新聞回覆中的仇恨言論與語意對齊實證評估
本研究檢視大型語言模型（LLM）生成的短回覆能否重現真實受眾對新聞的可量化特性。研究以 Hatemedia 基準為基礎，將5,631則新聞與58,555則真實回覆作為刺激，使用五款開源 LLM（包含 Mistral7B、Mistral24B、Llama8B、Qwen3、GPT-OSS）在兩種生成條件（原始模型與微調）下產生配對合成回覆。