台大電信 講稿

planning

台大電信丙 §

• 符合口試資格者，本校口試報名費，1/26 日起依第 1 階段繳款帳號匯款繳交第 2 階段口試報名費 500 元 (請勿以現金繳交)，務須於 115 年 2 月 4 日下午 5:00 前完成匯款繳交，於口試當天報到時繳驗完成匯款證明。

• 口試日期：115 年 2 月 5 日 (星期四)

• 個人時間：909150113 林○沛 16:50 -16:55

• 報到地點：臺大博理館 7F - 7A 報到處 (現場報到)

• 口試當天，請依規定攜帶

  • 口試匯款繳費證明 (需有繳款帳號 & 扣款金額)
  • 准考證明書
  • 身份證件正本
  • 繳交承諾書
  • 請依本所公告報到時間，準時到場報到應考，並配合監試人員查核身分，逾時者視同放棄口試。

• 考生報到後口試前，務請全程於報到地點等候，依試務人員指示引導至口試地點。

• 考生應試時，無須攜帶任何文件資料，每位口試應考生以 5 分鐘為應試基準，口試完成後即由試務人員引導回報到地點，即應離開報到及考試會場。

• 應考注意事項：

  • 口試內容可包含丙組相關專業科目與知識，如：
    • 線性代數
    • 機率
    • 統計
    • 資料結構
    • 演算法
  • 請考生準備一分鐘自我介紹，內容可包含但不限於：
    • 個人背景（就讀學校與科系）
    • 主要學習與研究興趣（可簡述專題研究經驗或修過的相關課程）
    • 碩士階段的研究方向或目標（說明想探索的主題與動機）
    • 時間請控制在一分鐘內，重點在於清楚表達個人特色與研究潛力。

• 115 年 3 月 9 日（星期一）中午放榜，榜單公布於本校教務處研教組網站，研教組網站 點選「招生專區」。

---

一分鐘自我介紹 §

老師好，我是穎沛，來自交大機械。

大學期間我參加過許多機器人專案，早期負責機構控制，後來轉向系統設計和機器學習相關的工作。

例如在去年的日本太空艙機器人競賽中，我負責視覺模型的資料合成與訓練，以及後處理演算法的開發；另外在四足機器狗專案中，我完成了從運動學控制、步態設計，到強化學習的模型訓練。

從這些經驗中，我發現這些模型雖然在複雜環境或任務中相比於傳統演算法有較強的適應能力，但它們本質上仍然是個黑盒，在安全性、穩定性上有許多進步空間。

碩士階段，我希望研究機器學習如何影響機器人的感知和運作，並探索更多不同方法，讓機器人有更可靠的決策與互動能力。

以上是我的自我介紹，謝謝。

---

一分鐘專題介紹 §

---

李宏毅 §

孫紹華 §

• 個人網站
• Github

謝宏昀 §

大獎

網路、通訊

吳沛遠 §

教授收學生時會面試(大概兩小時)，面試會問線代、機率、專題以及要求你現場coding，聽說教授很喜歡數學，我面試時都是先被問觀念，然後再被要求要證明，教授辦公室有個白板，所以證明就直接寫在白板上，但我好像都證錯XD Coding的部分我是被問了 minesweeper 的問題，我大概寫了40分鐘，最後答案是正確的。教授實驗室的畢業時間不一定，發表論文至國際會議就達到畢業標準，所以實驗室的同學有3年甚至4年才畢業的，不過也是有很多人2年就準時畢業了。

劉子毓 §

她擅長開發先進的統計學習與演算法，並將其應用於解決複雜的生物醫學問題，特別是針對具有「高維度、小樣本」特性的生醫數據進行分析。

以下為您詳細整理並介紹她的研究領域與成果：

---

1. 核心研究主軸：機器學習與統計方法 (Machine Learning & Statistical Methods) §

劉教授的方法論研究主要集中在如何從複雜、受干擾或稀疏的數據中提取有效資訊。

• 高維度與小樣本學習 (High-dimensional & Small Sample Size Problems)： 生醫數據（如基因定序）通常具有特徵極多（高維度）但病患樣本極少（小樣本）的特性。劉教授致力於開發能在此條件下穩健運作的統計學習模型。

• 結構化變數選擇 (Structured Variable Selection)： 在成千上萬的基因或特徵中，精準挑選出與疾病相關的關鍵變數（Biomarker Selection），並考量變數間的結構關係（如基因通路）。

• 遷移學習與多任務學習 (Transfer Learning & Multi-task Learning)： 為了解決標記數據不足的問題，研究如何將一個領域（Domain）學到的知識遷移到另一個領域，或同時學習多個相關任務以提升模型泛化能力。

• 對比學習與多模態學習 (Contrastive Learning & Multimodal Learning)： 結合不同來源的數據（如影像、基因、臨床數據）進行融合分析（Data Fusion），以獲得更全面的預測模型。

2. 重點應用領域：計算生物學與生物資訊 (Computational Biology & Bioinformatics) §

這是劉教授研究的主要應用場景，利用上述的機器學習工具來解析生命科學問題。

• 基因調控與多體學模型 (Gene Regulation & Multiomics Model)：

  • 研究基因的**轉錄（Transcription）與轉譯（Translation）**過程。

  • 利用**核糖體譜（Ribosome Profiling）**與時間解析蛋白質體學（Time-resolved Proteomics）來預測蛋白質合成動態。

  • 透過整合多種體學數據（Multiomics），建立更精確的生物模型。

• 癌症檢測與異質性 (Cancer Detection & Heterogeneity)：

  • 早期癌症檢測： 例如利用機器學習分析血漿中的游離 DNA（cell-free DNA）全基因組定序數據，以檢測早期結直腸癌（Colorectal Cancer）。

  • 癌症異質性分析： 探討腫瘤內部的多樣性，這對於精準醫療和抗藥性研究至關重要。

• 微生物體學 (Microbiome)：

  • 分析總體基因體定序（Shotgun Metagenomic Sequencing）數據，例如用於辨識兒童嚴重社區型肺炎的下呼吸道微生物特徵。

3. 生醫訊號與影像處理 (Biomedical Signal & Image Analysis) §

除了分子層次的數據，劉教授也處理巨觀的臨床訊號與影像數據。

• 醫學影像分析 (Biomedical Imaging)：

  • 3D/4D 顯微影像： 分析細胞變形（Cell Deformation）與異染色質動力學（Heterochromatin Dynamics）。

  • 3D 人臉分析： 應用於特徵提取。

  • 利用卷積神經網路（CNN）處理體積式 3D 影像數據。

• 生理訊號時間序列分析 (Time Series Analysis)：

  • 心電圖 (ECG) 分析： 自動化特徵提取，用於識別心肌梗塞後的室性心搏過速（Ventricular Tachycardia）出口位置，以及分析去顫器電圖（Defibrillator Electrograms）。

  • 傳染病預測： 基於基因特徵預測流感感染的早期症狀。

4. 近期學術貢獻摘要 (Based on Publications) §

從其發表清單中可以看出幾個具體的貢獻方向：

• 精準醫療： 開發個人化的健康與疾病預測器（Individualized predictor）。

• 蛋白質動力學： 在《Cell Systems》與《Bioinformatics》發表關於蛋白質合成動態測量與核糖體足跡外型預測的研究。

• 臨床應用： 與醫學團隊合作，將 AI 應用於肺炎微生物特徵分析及心律不整的定位診斷。

• 模型強健性： 在 NeurIPS Workshop 探討如何訓練在受混淆生物數據（Confounded Biological Data）上仍具強健性的模型，致力於縮小「泛化差距」（Generalization Gap）。

楊奕軒 §

音樂

鄭皓中 §

量子

王鈺強 §

• 推甄就滿

簡翌 §

簡教授是一位專注於**「可規範性人工智慧」（Regulatable AI）**的新生代學者，擁有美國伊利諾大學香檳分校（UIUC）博士學位，並曾於喬治亞理工學院（Georgia Tech）及 Google 擔任研究職務。他的研究結合了數學理論與實際應用，致力於解決 AI 模型在隱私、版權與合規性上的挑戰。

以下為您詳細整理並介紹他的研究領域與重點成果：

---

1. 核心研究主軸：可規範性人工智慧 (Regulatable AI) §

這是簡教授目前最核心的研究大方向。隨著 AI 法規（如歐盟 GDPR）的推行，AI 模型不僅要「準確」，還必須是「可控制」與「合規」的。

• 機器遺忘 (Machine Unlearning)：

  • 概念： 當使用者要求刪除個資，或訓練數據涉及版權爭議時，如何讓 AI 模型「忘記」特定的訓練數據，而不需要耗費巨資重新訓練整個模型？

  • 貢獻： 他提出了基於「Langevin 動力學」與「噪聲梯度下降」（Noisy Gradient Descent）的新視角，開發出能提供理論保證（Certified）且高效的遺忘演算法。

  • 應用： 解決大型語言模型（LLM）的版權侵權問題，或移除有害內容。

• 隱私保護機器學習 (ML Privacy & Differential Privacy)：

  • 概念： 在訓練模型的過程中，如何確保攻擊者無法反推特定用戶的數據？

  • 貢獻： 研究差分隱私（Differential Privacy, DP）在圖形數據上的應用，特別是針對圖卷積網路（GCN）開發了解耦式的隱私保護機制。

  • 公平性關注： 他最新的研究（ICML 2025）特別探討了機器遺忘過程對**少數群體（Minority Populations）**可能帶來的隱私風險，指出目前的遺忘技術可能會不成比例地洩露少數族群的資訊。

2. 基石技術：圖機器學習 (Graph Machine Learning) §

簡教授在圖神經網路（GNN）領域有深厚的理論基礎，並將上述的隱私與遺忘技術應用於此。

• 圖與超圖神經網路 (Graph & Hypergraph Neural Networks)：

  • 圖 (Graph)： 處理點對點的關係（如社交網絡朋友關係）。

  • 超圖 (Hypergraph)： 處理更複雜的「一對多」或「群組」關係（如一群人共同撰寫一篇文章）。

  • 代表作： 他的 “You are AllSet” 論文提出了一個多集函數框架（Multiset Function Framework），顯著提升了超圖神經網路的表現。

• 幾何深度學習 (Geometric Learning)：

  • 研究非歐幾里得空間（如雙曲空間 Hyperbolic Space）中的數據表示。這對於處理具有層次結構的數據（如生物分類樹、組織架構）非常有效。

3. 前沿應用：大型語言模型與生成式 AI (LLMs & Generative AI) §

從 2024-2025 年的發表列表可以看出，他的研究已迅速擴展至目前最熱門的生成式 AI 領域。

• LLM 的遺忘與微調： 研究如何讓預訓練的大型語言模型（Pre-trained LLMs）安全地遺忘特定知識，以及如何在微調（Fine-tuning）過程中保護隱私。

• 擴散模型 (Diffusion Models)： 探討離散去噪擴散模型的隱私屬性，以及用於生成有向無環圖（DAG）的擴散模型（LayerDAG）。

4. 學術影響力與發表 (Academic Impact) §

簡教授的研究成果發表於 AI 領域的頂級會議，顯示其研究具有高度的國際競爭力：

• NeurIPS, ICML, ICLR: 機器學習領域的三大頂級會議（多篇發表）。

• Nature Reviews Electrical Engineering: 受邀撰寫關於「圖神經網路在電機工程中的機會與挑戰」的綜述文章，確立了他在該領域的權威地位。

總結 §

簡翌教授的研究正好切中目前 AI 發展的痛點：「如何讓強大的 AI 變得安全、守法且尊重隱私」。他不僅研究如何建立強大的圖形模型，更著重於模型的**「售後服務」**——即模型的更新、遺忘、隱私保護與版權合規。

陳宏銘 §

通常推甄就滿

我是直接跟教授談的，在與教授談之前有先去過實驗室詢問學長姐，聽說教授比較嚴肅。跟教授面談時，做的東西被他問得很細，如果你的答案他不滿意，可能會挑戰你。不過教授在學術界很有名，通常也會有很多專案，會依你的興趣發給你，然後聽說教授也會陪著你改論文(甚至半夜…XD)。實驗室的同學大約都是2年準時畢業，所以要求準時畢業的話，應該是個好選擇，又可以學到扎實的東西。

林宗男 §

教授面談時會問你的專題、論文，跟一些關於計組的知識，像我就被問到多執行序的問題，好像是因為實驗室研究會用到。當下面完他就收我了，我也有去找過實驗室學長姐，學長姐跟我說教授好像會不定時的找你視訊。通常實驗室的學長姐2年畢業。

林澤 §

• 推甄就滿

資料來源 - 1

---

你對哪個領域有興趣? 喜歡那些老師？ 有沒有讀過他們的論文？ 為什麼要收你?

2. 專題貢獻是什麼

3. 進去電信丙後想怎麼延續專題

4. 數學兩題

5. 專題用到的方法

6. 想從事哪種類型研究方向跟主題

7. 參與研究計畫是否運用到AI模型

8. 有沒有嘗試其他的模型來訓練

9. 有興趣的指導教授跟領域

10. 想跟的教授和領域

11. 有沒有做過相關的作品

12. 要怎麼去達成研究目標

13. 你跟本科生比的優勢

14. 我們為什麼一定要收你

15. 投稿國際期刊的貢獻度

16. 期刊內容有什麼可以更精進的地方

17. 知道YOLO各模型的差異嗎？

18. 為什麼使用較舊的模型

專題題目的動機?

2. 專題跟論文的貢獻

3. 兩個自己設計的演算法運作方式

4. 有沒有上過相關領域的課程

5. 專題遇到的難題

6. 競賽的細節

7. 之後想往哪個領域發展

8. 能不能手刻專題用到的模型

9. 簡單介紹專題

10. 有興趣的指導教授和領域

有沒有跟電信丙有相關課程或經歷? 有什麼問題要問我們的嗎？

演算法 §

給你一段number sequence，對他一步一步做quick sort merge sort是啥 介紹Dijkstra Algorithm 要怎麼merge 用new 宣告二維陣列 n筆資料服從未知分配，求期望值變異數 基礎的recursive相關問題 Q2:工程機率 1.條件機率 2.大數法則

機率 §

請證明Chebyshev’s inequality，因為不會 教授改問中央極限定理，並追問在N維的情形 證CLT 證明Chebyshev’s inequality 問隨機變數獨立、向量線性獨立、 問何謂 exponential random variable、問如有三事件是 independent 代表什麼事、正規化 中央極限定理

程式 §

基礎的 function 相關問題 Q2: Q3:一些C++物件導向名詞解釋 python的一些語法問題(如果是做偏硬體的可能就會問c/c++吧) 第一題問C++裡什麼是copy constructor 第二題問pass by value 跟pass by ref malloc

VC dimension, K-fold validation, overfitting CNN、RNN這種基礎模型， transformer、bert、seq2seq

---