深度分析
利用即時使用者回饋微調擴散模型：PAPA 與 EPAPA 方法概述
隨著擴散模型在影像與文字生成上表現卓越，個人化推薦需要即時調整使用者偏好。PAPA 直接以使用者即時回饋優化模型，省去大量獎勵模型訓練，並透過變分推論提升探索效率。實驗顯示於細粒度對齊任務中收斂更快、樣本多樣性更佳，為線上個人化生成提供可行方案。
變分推論
深度分析
結合貝式推論的可轉向 CNN：SE(3) 等變性與預測不確定性分析
研究聚焦於將等變性卷積與貝式不確定性結合，透過在可轉向基底係數上設置後驗分布，保持SE(3)等變性，同時提供可分解的預測不確定性。實驗顯示在ModelNet10上校準誤差0.0263，對噪聲干擾的準確率提升最高6.17%。此外，模型的認知不確定性與預測錯誤呈負相關，證實後驗變異具語意意義。
深度分析
遊戲理論自由能原則 (GT‑FEP)：結合變分推論、博弈均衡與熱力學的多代理框架
大型系統如何在無中心指揮下展現協同是跨領域關注的問題。本研究提出遊戲理論自由能原則，證明多代理的自由能極小化等價於隱含的隨機博弈，且其穩定點對應近似納什均衡。實驗在神經、魚群與人工多代理系統上驗證，顯示感測精度與影響力呈倒U形關係，提供可驗證的預測。
深度分析
以 Rényi‑α 與 Tsallis‑α 散度加速 GFlowNet 收斂 30% 以上
GFlowNets作為未正規化分布抽樣模型，傳統訓練以最小化對數平方差為主。研究比較四種散度度量，並設計高效梯度估計與控制變異方法。實驗證明新方法加速收斂，提升訓練效能。