背景：預測分子性質如溶解度、毒性及熔沸點對於基礎科學至關重要。然而，實驗測量這些性質耗時且昂貴，因此本研究使用多種機器學習模型藉由調整變相來準確預測熔、沸點。 方法：本研究使用超過一萬筆數據及兩種類型的機器學習方法：淺度與深度學習。淺度學習由 PyCaret實現，並以Mordred作為分子描述器；深度學習使用圖神經網路，包括（CMPNN和GCN），並調整隱藏層參數。 結果：CMPNN在目前嘗試的模型中表現最佳。發現影響沸點預測的關鍵特徵是piPC1，與鍵級相關；熔點則是AATS0d，與σ電子的 Moreau-Broto自相關有關。 結論：CMPNN模型在沸點與熔點預測中均表現最佳。沸點中深度學習模型優於淺度學習模型（p<0.05）。此外，使用SHAP成功找出piPC1和AATS0d對最關鍵。本研究不僅得出了高準確性的模型，還發現了影響分子性質的關鍵特徵，且可擴展至其他預測。

本研究透過結合局部敏感雜湊（Locality-Sensitive Hashing, LSH）與知識圖譜（Knowledge Graph, KG）以改善檢索增強生成技術（Retrieval-Augmented Generation, RAG）在檢索的時候難以在精確度與效率之間取得平衡的問題。透過使用LSH 將資料分桶，接著利用知識圖譜進一步篩選資料，以提高檢索的精確度與效率。 實驗結果顯示，結合知識圖譜與LSH後的系統，在精確度（precision）上可達到91%，相較於VectorRAG 的84%提升約8.33%，與GraphRAG的96%則僅有5.21%的差距。此外，本系統在檢索時間上較GraphRAG降低了95.38%。由此可以證實，透過結合LSH及知識圖譜能在保持高精確度的同時，顯著提高檢索效率。

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 個詞彙量，94.8%的準確率。 此外，先前研究皆未在手語句子翻譯上有成果。因此本研究基於預訓練模型，整合設計手語翻譯的系統，實驗中，系統在100 個句子的翻譯表現達到88%的準，且BLEU-4 分數取得20.98，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。

量子電腦是近年來新發展的科技，利用量子糾纏態的量子位元進行計算。本文希望可以利用量子電腦計算諧振子隨時間演化算符。而這也是我第一次在量子電腦上模擬諧振子隨時間演化系統。首先我找出可以用於諧振子算符的合適算符矩陣大小、空間步長(Δ𝑥)、質量(m)、角頻率(ω)並且在位置基底下表現時間演化算符矩陣。設計並簡化量子電路後，使用IBM公司提供的量子電腦模擬並計算數值。我透過矩陣修正減少修正輸出錯誤產生的誤差，達到較精確的結果。模擬出在一個時間單位內的數值與理論值大致相符，未來希望可以利用此量子電路尋找矩陣的特徵值或是模擬更大型的系統。

本研究提出一套結合BERT模型與自訓練分類器的失語症分類系統，透過多個方法及參數組合提升判斷精確性。研究靈感來自櫻井等人(2023)[15]提出的BERT分類模型，並參考Cong et al.(2024)[5]針對大型語言模型(LLMs)在臨床環境中的應用，進一步探索自訓練分類器在增強BERT判別能力方面的潛力。 本研究的創新點在於，模型基於醫生標註的分類結果進行深度學習，而非讓AI直接從語料中自動分類病患類型，這與先前主要依賴LLMs自動分類的方法不同。此外，本研究納入詞性、語法結構與語音長度及肢體語言標記，以提升模型的處理能力與個人化治療。 考慮語料庫規模及醫學倫理，本研究採用AphasiaBank(全球最具權威的語料資源之一)的英文訪談文本進行模型訓練，同時移除所有個人隱私資訊。

本研究探討如何利用電腦視覺技術預測十字路口行人與車輛碰撞風險，提升交通安全，採用YOLO物件偵測與運動追蹤技術，分析監控影像，透過LSTM 進行時間序列預測，評估可能的碰撞風險。研究先進行影像標註與資料處理，提升自訂物件偵測能力：偵測行人與車輛和追蹤其移動軌跡，建立LSTM預測分類模型，學習運動模式以預測碰撞風險。研究設計先用小球碰撞實驗模擬真實交通場景，訓練模型預測碰撞風險，並透過驗證分析調整參數，再進行實際路口影像處理。結果顯示能預測未來2秒碰撞風險的準確率達73%以上，還可以持續改進，提升精準度。未來，本研究可結合智慧交通管理與車聯網，提升道路安全並減少碰撞事故。

睡眠相關問題常見於現代緊張的社會，傳統睡眠分析方法需要腦電圖（EEG）、肌電圖（EMG）、眼電圖（EOG）等信號，量測複雜度高。本研究透過 Python 程式語言以深度學習和階層式投票機器學習方法，開發一套自動分析程式，僅透過心電圖（ECG）信號分析睡眠階段。並結合睡眠評估標準，製訂一可量化的睡眠品質評估表，提供臨床醫師判讀睡眠品質的指標。本研究的優點是僅透過一種信號便能準確、客觀、快速分析，且操作介面簡易。研究結果顯示，本研究清醒和睡眠狀態之辨識準確率高達約90%，與其他類似睡眠品質評估研究的論文比較，準確率高出10～17%，整體睡眠階段分析準確度高達87%。本研究方法未來可應用於臨床醫療，協助醫師做精準的患者睡眠品質診斷。

Wibrazz is a wearable communication tool that allows the teacher, the therapist, the parent to communicate information to the child remotely using the device. Haptic (vibrationbased) feedback is becoming increasingly important in everyday life. A vibrating device that transmits information through clothing can help people with disabilities who have no or limited sensory use to live an integrated life in society without barriers.

「在格狀平面中用矩形以互不重疊的方式鋪滿(2D rectangle tiling problem)」為一NP-complete問題(Dani`ele Beauquier et al ,1995)，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 stair algorithm 透過改變動態規劃紀錄狀態的方式，使狀態數大幅減少，進而改善求準確解的時間複雜度，也成功證明此演算法的正確性。本研究的演算法可被應用於平行計算中的負載平衡、積體電路設計等方面。隨後，本研究寫了一個互動展示品清楚呈現此演算法的功能。且以階梯演算法成功檢驗並比較 RTILE PROBLEM 的 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。

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。

隨著網路技術不斷的進步，意見和情感分析逐漸成為人們日常生活中的一部分。儘管如此，目前人們缺乏一個方便且快速的情緒分析模型，供廣大大眾使用。 本研究旨在提供人們一個緩解憂鬱情緒的管道——當人們輸入一個需要被安慰的情境時，我們的系統將輸出安慰語句，以緩解該使用者之憂鬱情緒，達到安慰效果。為此，本研究訓練了BERT model以及 LLaMA model。BERT model能判斷使用者輸入的語句是否為需安慰語句。而LLaMA model則作為安慰語句之生成模型，以達到安慰之效果。

本研究開發智慧寵物健康監控系統，融合熱顯影感測、AI學習、物聯網與邊緣運算，解決傳統健康監測無法即時數據化與預警的問題。初期以問卷與5W2H問題分析建構四大功能：體溫監測與AI發燒預測、糞便辨識與分類、飲食與飲水記錄、異常即時通報。 系統採用MLX90640熱顯影模組與ESP32-S3監測體溫，糞便辨識以Edge Impulse訓練模型，搭配ESP32-S3CAM實現即時運算。飲食行為由 HX711 與超音波感測器記錄，並同步推播至 Discord平台。分類模型參考獸醫建議導入布里斯托分類法，提升精準度。系統具備低成本、高精度與高度擴展性，展現智慧照護應用潛力。