本研究中，我們對模型逆向攻擊在語音辨識系統中的影響及風險進行深入分析。隨著Siri、Google Home等智能助理設備在日常生活中的廣泛使用，其語者辨識系統的安全隱患引起了我們的注意。本研究目的在於深入理解模型逆向攻擊的運作機制，並探討其對語音辨識系統的攻擊效果。我們透過實施多樣化的攻擊策略，對不同的模型架構和數據處理方法進行了評估，並對人聲與非人聲的數據集進行了攻擊效果的比較。此外，我們亦實現了基於差分隱私的防禦算法，在多數模型架構下達到接近50%的防禦效果，顯著提高攻擊代價。研究整體揭示了語音辨識系統在面對模型逆向攻擊時的脆弱性，並藉由實驗分析推論出可能的防禦策略，期待能通過策略來增強模型的安全性。

本研究的目的在於探討Adversarial Voice Attack在對保護智慧財產權、抵抗自動翻譯的能力和預防智能設備危險，並以此進行大規模的應用。我們本次使用了常被用來做為翻譯系統的silero作為研究基礎和試驗對象，使得我們可以評估我們的對抗性樣本是否可以作為對抗自動翻譯的手段和它對模型的效果。利用FGSM(Fast Gradient Sign Method)方法生成對抗性noise來干擾模型對語音的辨識效果。我們的目標為透過解析模型label來製作能夠對模型進行有效攻擊的對抗性樣本，並以進化策略(Evolution Strategies)嘗試進行黑箱攻擊。 根據研究結果顯示在已知模型梯度的情況下可以做出噪聲極小的對抗性樣本。而我們在使用進化策略其中的協方差矩陣自適應進化策略(Covariance Matrix Adaptation Evolution Strategy)進行黑箱攻擊也可以使得製作出來的對抗性樣本的噪聲難以被人體感知。

本研究主要是為了提升在線上西洋棋網站中對弈的公平性，希望可以用自動化的模型幫我們抓出作弊者。 首先我們需要將棋局PGN檔先預處理成訓練要用的模式，接下來將分成兩組實驗進行:一是用每步著法及時間放入深度學習網路製作模型，二是以子力停留位置製作的熱圖配合卷積神經網路製作。 研究結果顯示，使用深度學習的模型判斷結果比用卷積神經網路的模型還準確一些，而使用卷積神經網路的模型中，我們發現加入子力權重的模型會比沒有加入的準確一些，但是還是比不上深度學習的模型。

本研究主要分成兩大主軸，第一先深入探討迴歸分析中異常值對模型的影響，發現一般的模型在面對數據中的異常值會降低其穩健性，因此藉此特性，我們結合了K-近鄰演算法(K-NN)、模糊理論與深度學習等，自創了新穎的演算法進而找出數據中的異常值；第二為應用此演算法來分析與處理圖像中「不正常區塊或雜訊的輪廓」，達到抑制其對整體美觀的影響，再進一步分析深度偽造（Deepfake）所合成的圖像。研究結果顯示，相較於現有的類神經網路中激活函數ReLU之計算，我們的演算法較容易處理異常值的影響且分析圖像的應用之表現更佳，未來的研究方向可能包括進一步評估其他演算法的效能與將其優化以提高其效能和實用性。

「使用給定的多個矩形密鋪一個格狀平面(2D rectangle tiling problem)」為一NP-complete問題，目前多項式時間只能求出盡可能覆蓋最大面積的近似解。本研究所創的階梯演算法透過改變動態規劃所紀錄的狀態，使狀態數大幅減少，進而改善求準確解的時間複雜度，當然也成功證明此演算法的正確性，並且此演算法也能處理環狀及有權重的類似問題，如RTILE PROBLEM、DRTILE PROBLEM。隨後，寫了一個互動展示品直覺地呈現此演算法的意義。並以階梯演算法成功將7/3-approximation algorithm (Krzysztof Lorys and Katarzyna E. Paluch,2000 [4]) 與11/5-approximation algorithm (Piotr Berman et al,2001[7])進行比較與分析。

近年來，AI技術逐漸成熟，現今已有能夠還原馬賽克之 AI模型問世，因此進行馬賽克處理之圖片並不絕對能保證隱私的安全。為此本研究提出一套針對人臉馬賽克還原模型PULSE的馬賽克強化方法，透過設計實驗探討不同變因對 PULSE還原圖像之影響，並以客觀指標評估實驗結果。實驗結果證實經過此方法處理過之圖片能獲得比 PULSE原始預測更低的相似度，最後歸納出一套馬賽克方法，此方法能使16×16和32×32解析度馬賽克獲得相對較低之相似度。本研究之成果能應用於新聞媒體及訪談節目中，對需要保護之人臉進行強化之馬賽克，用以增加對人臉隱私之保證。

本文提出了一種階層式兼投票式的心律疾病智慧醫療檢測模型，以MIT-BIH心律資料庫為基礎，建立了兩種判別模型。模型一針對正常心跳N及較常發生的V、L、D、R、A(見表3)五種心律疾病進行單一疾病分類；模型二針對疾病較多的N、SVEB、VEB、F、Q(見表4)五類進行分類。採用階層式模型使各層獨立訓練、二分法使資料量均勻；在階層式模型上增加投票式模型，使各層以多種機器學習共同判斷，並按各機器學習訓練之準確程度調整比重。研究結果顯示，模型一最終準確率達99.01%，五種分類類別中有四種召回率達97%以上；模型二整體準確率98.74%，N、VEB、SVEB、F、Q五類召回率分別達99.5%、97.1%、83.6%、77.8%、85.7%。兩模型對於心律疾病判別準確率均較近年論文有所突破。

在臺灣手語辨識，先前研究所使用的監督式學習需要大量標記樣本而限制可辨識詞彙量。為此，本研究借鑒自然語言處理領域中BERT的遮罩想法，將未標記手語影片隨機遮蓋部分幀數，並讓模型學習預測被遮蓋的幀數以學習臺灣手語的特徵，並透過遷移學習來訓練辨識模型，此作法可克服現有臺灣手語資料缺少的問題。經過實驗，本研究訓練之詞彙辨識模型達成了242個單字量，92%的準確率。 此外，先前研究皆未在手語句子翻譯上有成果。因此本研究基於以上模型，設計手語翻譯的系統，整個系統在100個句子的翻譯表現達到83%的準確率，證明自監督學習的方式在手語辨識、翻譯上是有效的。並展現出樣本需求少與辨識詞彙量可輕易擴大的潛力。

本研究旨在開發一套系統，判斷使用者是否久坐與使用電腦的姿勢是否正確，並即時提供回饋。此坐姿輔助系統僅需使用電腦內建視訊鏡頭以MediaPipe BlazePose影像辨識模型抓取上半身節點資訊，並透過雙腳穿戴micro:bit感測裝置取得腳部三維加速度值。研究者蒐集各年齡層不同姿勢下的數據，討論其差異並計算F-score值以訂立閥值，判斷使用電腦的姿勢。同時，研究者運用PyQt套件建立使用者介面，使得系統能夠進行個人化設定，並即時地提供回饋。相較現有研究，本研究所提出之系統更輕量化、方便使用且成本更低。

培訓一位醫生的時間非常的久，除了在醫學院花上7~8年的時間學習之外，畢業取得住院醫師的身份後，還需要在醫院中選擇特定專業科目受訓，依照科別不同，受訓的時間從3~7年不等，其中神經外科醫生就需要花上7~8年的時間受訓，受訓後再通過專業醫師執照考試，才能正式成為醫師。 醫生的訓練過程費時耗力，在醫療訓練資源有限的情況下，採用虛擬實境(Virtual Reality,VR)科技，可以把手術訓練帶到虛擬世界中，不僅可以提供手術前開刀策略判斷，更可以提高醫療成功率。 本研究主要針對腦部腫瘤手術，藉由運用3D Slicer重建腦部腫瘤3D模型，並轉入到Unity製作手術模擬過程，再轉入到VR，讓醫師可以透過VR虛擬實境，進行手術練習與模擬。

本研究乃是以桌上型電腦塗抺散熱膏、風扇與防塵等研究，透過散熱與防塵策略，以達到其節能效果。在散熱膏研究中發現以0.2克五點降溫效果最佳；在風扇研究中發現以「前進風與後抽風」降溫效果更佳。在不同材質的過濾棉的研究中發現以「活性碳口罩」過濾細懸浮微粒效果最佳，並以活性碳口罩「最外層」的過濾效果更佳。在總結性評估中發現，散熱膏0.2克塗佈5點且加裝兩顆風扇「前進風與後抽風」與活性碳口罩「最外層」時，其降溫效果最佳。在總結性評估時測量電腦耗能，其耗電量約為0.01度，並無增加耗能，最後電腦內部積塵厚度為1mm，耗電量約為0.05度；積塵厚度為0.1mm，耗電量約為0.01度，能有效地節能。最後研發出磁吸式口罩架，隨時為電腦戴上防塵口罩。