• 學位論文

透過內插訓練轉換器產生流行音樂具獨奏的樂器伴奏

在生成器樂伴奏時，重要的是生成的伴奏能夠支持流行歌曲中的主唱旋律。通過這樣做，主旋律能夠與伴奏的樂器旋律聽起來更好。許多伴奏生成模型缺乏的一個方面是生成器樂獨奏的能力。在流行歌曲中，主旋律或歌手可能需要一些時間來休息。在這些時刻，產生的器樂伴奏不會偏離它們通常產生的東西，這會導致聽眾失去興趣。因此，因為沒有主旋律，所以沒有什麼可伴奏的。我們通過添加一個器樂獨奏生成模塊來改進當前的伴奏生成模型，該模塊在歌手缺席時生成器樂獨奏主旋律。此外，我們探索了器樂主旋律是否與人聲主旋律不同，並訓練分類器這樣做。最後，我們執行數據增強以改進生成過程，因為它增加了模型學習的不同鍵。總的來說，我們的模型能夠生成器樂獨奏，並通過在伴奏中使用這些來改進基線伴奏生成模型。我們了解到，Transformer 分類器能夠以超過 85\% 的準確率從器樂獨奏主旋律中對人聲主旋律進行分類。我們還了解到，在歌手安靜的部分加入器樂獨奏確實增加了人類評估者更喜歡器樂伴奏的可能性，與僅包含輔助器樂伴奏的器樂伴奏相比，該可能性增加了兩倍。

• 學位論文

在虛擬資料中心處理時變工作量的資源管理方法

現代虛擬化數據中心通常依靠虛擬機（VM）遷移將工作負載整合到一台機器上以節省能源。但是虛擬機遷移有很多缺點，包括性能下降、服務中斷等。因此，當遷移發生時，使用整合感知調度方法來最小化開銷是微不足道的。如果工作負載隨時間變化，即隨時間變化的工作負載，則手頭的問題變得更具挑戰性。隨著工作負載需求的變化，需要一個編排器來相應地管理資源。在本論文中，我為虛擬化數據中心中隨時間變化的工作負載提出了各種資源編排技術。我已經在兩種不同類型的系統上實現了這種方法：(i) 批處理系統和 (ii) 網絡功能虛擬化 (NFV)。 我將論文分為三部分進行研究：（i）CAMIRA是一種可感知合併的調度算法，可主動避免VM遷移；（ii）MIRAGE是一種使用遺傳算法將VM遷移減至最少的VM放置策略 (iii)REAP 是一種重新配置感知編排技術，適用於虛擬化數據中心中具有時變工作負載的網絡功能虛擬化。在CAMIRA中，我們的結果表明，利用VM整合決策的先驗知識，我們的調度算法將遷移數量顯著減少了37％-46％，從而提高了系統性能，同時減少了網絡帶寬消耗並縮短了作業執行時間。在 MIRAGE 中，我們展示了同樣的問題可以表述為整數線性規劃（ILP）問題，並且可以通過遺傳算法找到接近最優的解決方案。 在 REAP 中，我們研究了各種重新配置策略，通過在 NFV 佈局問題中設計模型來製定其成本，ILP 和啟發式解決方案。在我們的評估中，我們觀察到能源和重新配置成本降低了 60% 和 25%，我們分析了每種重新配置方法的成本降低，以驗證我們啟發式算法的設計。

• 學位論文

小學數學文字題解題系統之解釋生成

摘要隱藏中

• 學位論文

行動式虛擬實境系統應用於高等護理教育之設計建置及其成效之評估

摘要隱藏中

• 學位論文

根據保留區間距離解決Scaffolding問題之研究

Scaffolding是DNA定序的過程中非常重要的一個步驟，其目的是把一個基因體草圖中的contigs給定序與定向。先前，我們的實驗室已開發出一個maximum matching breakpoint distance (簡稱MBD) based scaffolding演算法，它可以利用一個參考基因體來對目標基因體草圖進行scaffolding。然而，breakpoint只考慮相鄰的兩個markers，結果造成當參考與目標基因體的親屬關係較遠時，MBD-based scaffolding演算法的resulting scaffolds會接得較不完整。因此，在本論文中，我們利用conserved interval的概念，定義出一個maximum matching conserved interval distance (簡稱MCID) based scaffolding問題，這個問題的目的是要去決定出目標與參考基因體的scaffolds，使得這兩個scaffolds之間的conserved interval distance為最小。我們使用整數線性規劃設計出一個精確演算法來解決MCID-based scaffolding問題。最後，根據模擬的實驗結果，我們的MCID-based scaffolding演算法在參考基因體是完整的情況下的靈敏度比MBD-based scaffolding演算法來得好。即便我們的MCID-based scaffolding演算法的準確度不如MBD-based scaffolding演算法，但在超過一半的參數組合下，我們的MCID-based scaffolding演算法在F-score的表現仍勝過MBD-based scaffolding演算法。

• 學位論文

強化生成式摘要之資訊一致性與重點覆蓋率

生成式摘要（abstractive summarization）隨著快速成長的預訓練模型逐漸成為摘要任務的主流，而生成式摘要與原文資訊不一致的問題也變得更加明顯：摘要必須忠於原文，不應編造故事。本論文在非監督式摘要（unsupervised abstractive sumamrization）的研究基礎上，透過增加事實一致性評分機制，強化摘要與原文的資訊一致性；另外我們提出一個新的擷取關鍵字的方法，利用依存句法剖析器（Dependency Parsing）找到被修飾最多的關鍵字，這些關鍵字將用於輔助非監督式摘要所需還蓋到的訊息。透過 FEQA與ROUGE，實驗結果顯示我們在資訊一致性與重點還覆蓋率上皆有顯著的提升。

• 學位論文

基於多尺度區塊的表徵學習應用於影像異常偵測與分割

近年來非監督式表徵學習已被證實對於解決挑戰難度較高的異常偵測與分割任務十分有效。本篇論文中，我們提出了一種基於多尺度區塊的表徵學習方法，萃取正常影像中關鍵且具代表性的訊息。通過考慮區域性距離區塊之間的特徵相似度，我們實現了更好的表徵學習。此外，我們改善了預測區塊之間空間組態的自監督學習策略，將其擴展為更加精細的方式，使我們的模型能夠學習更好的區塊之間的幾何關係。通過在影像上滑動不同尺度的區塊，我們的模型從每個區塊中萃取出具代表性的特徵，並將該特徵與正常影像訓練資料集中的特徵做比對，以此來偵測異常區域。我們在公開資料集MVTec AD與BTAD的實驗結果顯示，我們提出的方法在異常偵測與分割的任務中，皆能達到目前為止最好的準確度。

• 學位論文

一種用於抵禦基於布林滿足性的破解法之增強式迴路化邏輯加密技術的研究

摘要隱藏中

• 學位論文

藉由粗糙度感知更新緩解分佈偏移

摘要隱藏中

• 學位論文

使用孿生神經網路與小樣本圖像辨識在衛星圖像中進行損害評估

當自然災害發生時，能夠有效和準確地評估受災地區至關重要，以便能夠分配適當的資源並執行相應的應對機制。最近，機器學習和遙測被發現是可以自動化該過程的強大工具。在此類模型的工程中常遇見的挑戰是需要太多數據並且無法很好地處理看不見的區域。我們基於現實將數據或時間限制納入考量並探索孿生神經網絡和小樣本圖像識別的有效性，孿生神經網路可以基於距離指標學習具有判別性的特徵，而小樣本圖像識別可以僅從單個例子中學習相關的分類訊息並且在沒看過的數據上表現良好。此外，我們還探索了使用數據擴增來處理類失衡和物件檢測。總體而言，我們的孿生與小樣本識別網絡能夠學習具有判別性的特徵，使其在僅有6% 的訓練資料的情況下顯著優於基準模型。我們了解到，模型應該優先考慮災難情況的召回指標，並且在評估建築物損壞時，還應該考慮建築物的周圍環境，因為它可以作為損壞評估的良好指標。