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
107 results
Search Results
Item 探索電腦輔助發音學習:從音素等級發音錯誤檢測與診斷至多細緻度及多面向發音評測(2025) 顏必成; Yan, Bi-ChengItem 電力調度最佳化問題與啟發式解決方案(2025) Visutarrom, Thammarsat; Visutarrom, ThammarsatItem 基於硬體資源優化的廣義迴歸神經網路FPGA設計-以QoS應用為例(2025) 林宇恩; Lin, Yu-EnItem 結合 Focal Loss 之 CenterNet 於數位彎曲感測器手勢辨識中的類別不平衡對策研究(2025) 許玳維; Hsu, Tai-Wei在Open-set場景中的手勢辨識應用中，背景資料往往具有數量龐大與高度變異的特性，對模型造成前景辨識上的挑戰。然而，在本研究所使用的數位彎曲感測器中，資料主要反映手指的彎曲與否，背景樣本雖然數量龐大，但變異度相對有限。基於此特性，本研究的問題核心轉為在樣本極度不平衡的情況下，有效抑制背景類別對模型學習造成的主導效應。為解決此問題，本研究提出一套結合 Focal Loss 與 CenterNet 概念的手勢辨識方法，並採用 Sliding Window 技術進行資料切分與時間特徵擷取。Focal Loss 能提升模型對少數前景手勢的關注度，提升前景手勢的學習效果，同時降低背景樣本的干擾。配合以手勢中心時間點為標註依據的設計，強化模型對手勢發生時機的掌握能力。在推論階段，系統設計雙門檻判斷機制進行手勢偵測，並以編輯距離衡量連續手勢序列的整體預測準確度。實驗結果顯示，本研究提出的方法可於高比例背景樣本的資料情境下穩定辨識各類前景手勢，並於連續手勢序列辨識任務中優於傳統交叉熵法，展現出在類別不平衡下的實用性與穩健性。Item 即時的虛實整合車聯網實驗平台(2025) 江子瀚; Chiang, Tzu-HanItem 透過混合式 NTT/FFT 分段設計提升 Kyber 演算法之 Side-Channel Attack 抵抗能力(2025) 鄭琮達; Cheng, Tsung-Ta量子計算技術的快速發展使傳統公鑰加密演算法面臨潛在破解風險，後量子密碼學（Post-Quantum Cryptography, PQC）因而成為資訊安全的重要發展方向。Kyber 作為基於網格問題的代表性 PQC 演算法，雖具備強大的抗量子攻擊能力，但在硬體實作層面仍存在旁通道攻擊（Side-Channel Attack, SCA）的風險。特別是解密流程中的多項式乘法，因其執行時間高度穩定，易被攻擊者藉由時序分析推測密鑰資訊。為降低此風險，本研究提出一種結合數論變換（NTT）與快速傅立葉變換（FFT）的混合式分段運算架構，應用於 Kyber 的解密流程。該架構將多項式拆分為多段子多項式，並在每段運算中隨機選擇使用 NTT 或 FFT，使解密執行時間呈現不規律性，以干擾攻擊者的時間分析。研究以 Chipyard 開源硬體平台為基礎，整合 RISC-V 處理器與 FFT 硬體加速器，並於 Genesys2 FPGA 上進行實作與驗證。實驗結果顯示，所提出的混合式架構在不影響解密正確性的前提下，能有效增加執行時間的隨機性，並保持在可接受的硬體資源消耗範圍內。此結果證實該設計具備實作可行性及抗時間型 SCA 的潛力，為未來後量子密碼學的安全部署提供實用參考。Item 利用大型語言模型於改善情境化語音辨識(2025) 盧泇良; Lu, Jia-LiangItem 利用無監督領域自適應實現穩健語音辨識與增強之研究(2025) 王建鈞; Wang, Chien-Chun用於自動語音辨識（ASR）和語音增強（SE）的預訓練模型在匹配的雜訊和通道條件下展現出卓越的效能。然而，當面臨領域偏移時，尤其是在存在未知雜訊和通道失真的情況下，它們的性能會顯著下降。在本研究中，我們提出了 URSA-GAN，這是一個統一且領域感知的生成框架，專門設計用於緩解雜訊和通道條件下的不匹配問題。URSA-GAN 採用雙嵌入架構，該架構由雜訊編碼器和通道編碼器組成，每個編碼器都使用有限的領域內資料進行預訓練，以捕獲與領域相關的特性。這些嵌入會調節基於生成對抗網路（GAN）的語音生成器，促進語音與目標雜訊的合成，使其在保留語音內容的同時，與目標領域在聲學上保持一致。為了進一步增強泛化能力，我們提出了動態隨機擾動，這是一種新穎的正則化技術，它在生成過程中將受控的可變性引入嵌入中，從而提高了對未知領域的魯棒性。實證結果表明，在通道不匹配的情況下，URSA-GAN 在 Hakka Across Taiwan 和 Taiwanese Across Taiwan 語料庫上分別顯著降低了 20.02% 和 9.64% 的字元錯誤率（CER）。在 VoiceBank-DEMAND 資料集上，我們的框架在雜訊失配的情況下將語音增強性能提升了 2.95%。值得注意的是，在同時存在通道和雜訊劣化的複合測試集上進行的進一步評估證實了 URSA-GAN 能夠泛化到複雜的現實世界聲學條件，語音辨識性能相對提升了 16.16%，語音增強指標相對提升了 15.58%。Item 基於檢索增強分類之網路注入攻擊偵測—以跨站腳本攻擊為例(2025) 林子堯; Lin, Zi-Yao隨著網頁應用日益複雜，跨站腳本（XSS）攻擊手法亦持續演化，傳統依賴關鍵字比對或語法規則的偵測方法在語句變形與語意擾動下易失效，對實際防禦效果造成挑戰。為解決此問題，本研究提出一套結合語意檢索與分類推論的混合式架構，稱為 Retrieval-Augmented Classification（RAC），透過 Sentence-BERT 建立語句語意嵌入，並結合 FAISS 向量資料庫進行語意比對與分類推論，實現具備語意理解能力的 XSS 攻擊偵測系統。本研究特別針對資料稀疏環境設計多組實驗，模擬從完全無攻擊樣本到高密度攻擊場景的語意資料庫組成，觀察語意檢索在不同樣本條件下的辨識穩定性與分類效果。實驗結果顯示，即使在極低樣本支援下，本架構仍能快速達到高分類精度，並於與多組語言模型之比較中展現準確性、資源效率與樣本利用率等多項優勢。整體系統架構模組化、可擴展性高，適用於多類型惡意語句的辨識任務，亦可作為未來結合多語境資訊或延伸至 SQLi、Command Injection 等其他注入型攻擊防禦應用之基礎。綜合而言，本研究提供一套兼顧語意理解與實作可行性的 XSS 偵測解法，為語言模型應用於資安領域提供實務參考與理論支持。Item 基於小型語言模型之腦電圖雜訊分類系統之開發(2025) 陳柏瑄; Chen, Bo-Xuan