資訊工程學系
Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/60
本系前身「資訊教育學系」成立於民國七十四年，首先招收大學部學生，民國九十年成立資訊工程研究所碩士班，而後於民國九十五年進行系、所調整合併為「資訊工程學系」；並於九十六年成立博士班。本系目前每年約招收大學部四十餘人，碩士班六十餘人，博士班約五人，截至民國一百零四年十一月止，總計現有大學部一百九十多人，碩士班一百二十多人，博士班二十三人，合計學生人數約為三百三十多位。
News
Browse
4 results
Search Results
Item 基於圖神經網路之假新聞偵測研究(2023) 姚秉均; Yao, Bing-Jun在現今互聯網時代，隨著網路技術不斷發展，使得我們在閱覽資訊上也越來越便利，但與此同時，假新聞也藉著技術發展的順風車變得更容易生產傳播以及造成影響。所以本人便打算做和假新聞辨識相關的研究，找到較好的假新聞辨識的方法並提升假新聞辨識的準確率。由於看到CompareNet這一圖神經網路模型對於假新聞的辨識相較其他基礎方法效果更好。因此本研究是以CompareNet這一研究為基礎，基於LUN（Labeled Unreliable News Dataset）語料庫中的LUN-train語料庫創建了一個含有普通名詞、複數名詞、專有名詞、動詞、形容詞、副詞的知識庫，並將該知識庫和CompareNet這一研究相結合，使用LUN語料庫中的LUN-train語料庫來訓練模型、使用SLN（Satirical and Legitimate News Database）以及LUN語料庫中的LUN-test語料庫來對模型進行測試，提升假新聞辨識的準確率。Item MuZero 演算法結合連續獲勝走步改良外圍開局五子棋程式(2022) 饒鏞; Jao, Yung2019年，DeepMind所開發的MuZero演算法使用「零知識」學習，將人工智慧帶往更加通用的研究領域。由於以此演算法所開發的Muzero-general原始版本外五棋程式，其模型訓練時只估計遊戲的結束狀態，增添了許多訓練時的不確定性，於是本研究嘗試以連續獲勝走步改良此外五棋程式。迫著走步是外五棋遊戲當中非常重要的獲勝手段，連續獲勝走步則是在正確使用迫著走步後，所得出的獲勝走步。本研究透過連續獲勝走步原則，進一步以對局過程中是否有提供以迫著搜索得出之連續獲勝走步，以及不同的迫著搜索設計結合不同情況的連續獲勝走步獎勵，設計了三種不同的改良方法。實驗結果表明，在相同的訓練時間下，三種方法均成功對原始版本進行改良，其中採用加入主動進攻走步之迫著搜索設計為棋力最強的方法。關鍵詞 : MuZero、神經網路、迫著搜索、連續獲勝走步Item AlphaZero演算法結合快贏策略或迫著空間實現於五子棋(2020) 劉浩萱; Liu, Hao-HsuanAlphaZero是一個通用的強化式學習之演算法，除了遊戲規則外毫無人類知識，經過訓練後會有極佳的結果。為了要讓此架構在訓練初期，就能夠成功學習到五子棋所需的獲勝資訊，本研究展示了快贏策略(Quick Win)與迫著空間。 快贏策略旨在讓類神經網路學習到快贏的價值，並且在各走步勝率相同時，能更傾向選擇可以快速獲得勝利的走步；迫著空間則是針對盤面的迫著做搜索，讓能產生迫著走步的資訊被類神經網路學習，以縮短訓練時間。 本研究以四種不同的實驗方式，包含線性距離權重、指數距離權重、結合迫著搜尋於距離權重，以及結合迫著搜尋於蒙地卡羅樹搜索法的方式，觀察AlphaZero為設計基礎的人工智慧模型，在對弈時是否因為選擇了更快獲勝的棋局走步或學會形成迫著，而有效增強棋力。Item Twitter使用者之立場偵測：基於目標集子集的分而治技術應用於深度學習方法(2018) 張瀞云; Chang, Ching-Yun「立場」這個概念是模糊的。在人們用文字表達的敘述裡，可能包含正向或負向的情緒詞彙、肯定或否定的語氣，但這些特徵都不是直接與立場相關聯。人們可以透過支持一個對象來反對特定目標(明喻)，也可以藉由反諷一個對象來反對特定目標(暗喻)。在本研究中，將已標記立場標籤、來自Twitter使用者所撰寫的推文(Tweet)當作訓練資料，使用監督式學習的方式訓練深度神經網路(Deep Neural Network)。 本論文提出了一個新的訓練方法，將訓練資料依據主題(Target)分割成五個子集，這五個子集作為主題集(Target Set)的元素，然後以這個主題集的所有子集(Subsets of the Target Set)當作訓練資料來訓練模型。換句話說，即為相異主題間的搭配訓練，本文稱之為“組合式學習(Combination Learning)＂。所有子集的組合式學習完成後，再從中挑選出對於每個主題表現最佳的模型，最後整合其結果，此方式稱為“分而治之(Divide-and-Conquer)＂。 在SemEval 2016 Task 6之子任務A中，本研究使用監督式框架來偵測Twitter使用者的立場，實驗結果的F1-score為70.24%，優於所有此任務的參賽隊伍。