清華大學資訊工程學系所學位論文
國立清華大學,正常發行
選擇卷期
已選擇0筆
- 學位論文
無監督式領域適應 (UDA) 是一種有用的技術，可以從標記良好的來源領域中為未標記的目標領域訓練模型。然而，缺乏目標數據的標籤使得傳統的模型壓縮方法難以同時達到良好的模型精度和壓縮率。在本論文中，我們提出了一種新的UDA通道剪枝方法，稱為TICUDA（以實例轉換壓縮無監督式領域適配模型），它利用變換後的實例來評估通道重要性。轉換後的實例是從來源領域中的數據生成的，以模擬目標領域中的數據。該生成基於兩個數據集的領域差距，由領域對抗訓練神經網路(DANN)測量。我們還提出了一種自適應演算法來動態確定轉換實例的適用性。在ImageCLEF-DA和Office31數據集上使用VGG16和ResNet50框架進行了實驗，以評估提出方法的性能。我們將TICUDA與利用全來源資訊的方法和使用正則化的剪枝方法進行了比較。結果表明，在模型精度、模型大小和計算成本方面，TICUDA 在稱為縮減因子的組合分數方面優於它們。
- 學位論文
動態調整一組訓練作業的資源分配的彈性深度學習可以有效提高硬體加速器的使用效率，這對於當今訓練大規模深度學習模型至關重要。儘管已經有許多用於彈性訓練的調度算法被提出，但它們缺乏易於使用且高效的平台來執行。在本論文中，我們介紹了Voda，一個用於彈性訓練的GPU調度平台。與之前使用參數服務器進行彈性訓練的作品不同，Voda是為AllReduce通信而設計的，它更有效，但調整起來也更複雜。Voda建立在Kubernetes之上，由一組鬆散耦合的組件組成，它們可以收集運行時信息，動態地改變資源分配，並根據底層GPU之間的通信成本決定作業放置以優化作業執行。我們在Voda上使用不同的工作負載、作業分佈和到達時間比較了四種彈性調度演算法、包含三種現有算法和一種新提出的算法。實驗結果表明，沒有一種算法可以支配所有的性能指標，例如完工時間、平均作業完成時間或平均運行時間。但是，某些算法在某些工作負載和作業分佈方面確實比其他算法工作得更好。實驗還表明，作業放置對GPU集群的性能至關重要，所提出的作業放置算法可以有效優化作業中不同工作者之間的通信成本。
- 學位論文
嵌入式系統的功能，雖然大部份可以由現成、功能豐富的元件實現，設計師只需挑選適用的元件將其組合即可，但是絕大部份的設計任務仍然需要手工設計，市面上的工具無法提供許多設計自動化的功能。設計工具至多也不外捕捉機制的描述，但其設計用意必需以註解或說明文件撰寫，再由設計師人工詮釋或憑經驗推論，才能夠正確地還原當初設計的用意。如此一來，若是設計需要修改後或更新，設計師也必須參與細節檢查，才能確保所有機制都能在系統裡照原本用意發揮的功能。 因為機制本身層次不同，設計師在檢查和套用跨層機制是否符合用意的過程中，許多瑣碎的細節都可能是關鍵的機制，但很容易出錯。一個小錯誤對電路板設計來說可能導致整個板子都要報銷，改板再重新洗板打件不僅耗費人力和成本，更造成專案延宕。 上述設計任務若要自動化，必須先要能夠有一套捕捉不同層次的用意與機制間的對應，從最抽象層到最具體、足以實作電路板的層次。我們提出一套稱為「特徵代數」(feature algebra)，以類似代數的形式，表達特徵與其組合，以建立各層裡用意與機制間的對應。我們將特徵層大致分為資訊(information)、數量(quantity)、資料(data)、和載體(carrier)等四大層。這套特徵模型系統也可用來表達不同領域裡需求(requirement)與滿足(fulfillment)的關係。更重要的是，一旦把系統建成這種模型，即可以精簡又精準的方式將特徵的新增、刪除、取代等等操作，對系統做演變，讓我們的工具能自動協助所有細節的調整，以達到完全避免手動處置設計實作上最容易出錯的部份。 本論文的貢獻是一套使用特徵代數，從上到下流程，設計嵌入式系統的方法。我們以實際手動設計的嵌入式系統做為實例，解說我們的設計方法。透過這些範例，我們展示出特徵模型能夠提供工具所需知資訊，不僅可對設計師提出適用各層的建議，同時能自動檢查是否所有設計需求都有被滿足。本研究預期可成為新一代設計工具Sysmaker的核心技術。
本文將於2026/08/31開放下載。若您希望在開放下載時收到通知，可將文章加入收藏。
本文將於2026/08/29開放下載。若您希望在開放下載時收到通知，可將文章加入收藏。
- 學位論文
近年來MOOC課程提供了靈活的學習環境，然而也導致了以下問題: 第一，MOOC學習者是多樣化的，並非所有人都有足夠的背景相關知識。第二，許多學生在學習中面臨認知負擔過重及容易迷失學習方向。 第三，課程設計的考試可能無法對學生的表現進行清晰客觀的評估。 第四，MOOC課程缺乏有效的方式來獲得有效的學習反饋。 本篇研究藉助於大數據和人工智慧技術在MOOCs中的應用，有助於洞察及理解教育數據，達到提高教學效果，並有助於學生和教師之間的互動 透過收集學生在MOOCs平台的學習資料，搭配上試題分析，利用深度學習的方式，設計出四種應用模型。 1.提供學生對個知識節點的熟悉程度並加以量化。生成每位學生專屬的學習知識地圖。 2.預測學生是否會答對試題 3.預測學生成績表現模組 4.預測學生滿意度模組 本篇提出的四個模組，使教師可以從各個向度評估學生以及對學習行為追蹤，得知每位學生的學習狀況，並給予適時的幫助。