深度分析
可測試的恆定崩潰證書：教師導向對齊檢測與恢復 VAE 潛在路徑
研究針對變分自編碼器的後驗崩潰，提出可測試的恆定崩潰證書，利用教師分布的互資訊作為閾值，實驗顯示完整訓練可維持正向邊界，移除對齊會導致恆定狀態，重新加入對齊可恢復。此方法相較於傳統僅觀測KL或重建誤差的做法，提供明確的數學界限，並在CIFAR-100與Tiny-ImageNet-200上驗證其有效性。
深度分析
研究針對變分自編碼器的後驗崩潰，提出可測試的恆定崩潰證書，利用教師分布的互資訊作為閾值，實驗顯示完整訓練可維持正向邊界，移除對齊會導致恆定狀態，重新加入對齊可恢復。此方法相較於傳統僅觀測KL或重建誤差的做法，提供明確的數學界限，並在CIFAR-100與Tiny-ImageNet-200上驗證其有效性。
合成資料
學習分析受限於學生資料的隱私與稀缺，阻礙教育科技發展。研究以一萬筆學生成績資料比較傳統重抽樣（SMOTE、Bootstrap、隨機過採樣）與深度生成模型（自編碼器、變分自編碼器、Copula-GAN）的統計擬合、效用與隱私指標。結果發現重抽樣在TSTR上接近實資料但DCR趨近0，而深度模型DCR趨近1；變分自編碼器在效用與隱私間取得最佳折衷。