深度分析
DocHRL：階層式強化學習實現文件分類成本最佳化
傳統文件分類對所有文件投入相同運算資源，效率不彰。DocHRL 以階層式強化學習動態選擇每個文件最經濟的分類路徑，獎勵函數納入推論、誤分類與人工審查成本。在 RVL-CDIP 基準上以更低成本達到 macro F1 0.973，較固定分類器成本降低 69%，準確率提升 6 個百分點。
深度分析
傳統文件分類對所有文件投入相同運算資源，效率不彰。DocHRL 以階層式強化學習動態選擇每個文件最經濟的分類路徑，獎勵函數納入推論、誤分類與人工審查成本。在 RVL-CDIP 基準上以更低成本達到 macro F1 0.973，較固定分類器成本降低 69%，準確率提升 6 個百分點。
速報
研究系統性回顧139篇，整理資訊融合在文件分類的成效。研究構建統一框架，採質性分析與隨機效應統合量化成果。發現多模態融合使準確度平均提升5.28百分點且顯著，多視角融合在準確度、F1與召回亦有穩定但較小提升，且多數研究缺乏嚴謹統計驗證。值得注意。