移到主要內容
:::

最新消息

活動訊息

2026.05.12.jpg
02

【演講公告】2026.05.12 Hiding a Swarm's Leader from RL Agent and Human. AI Safety in the Information and Physical Spaces

2026.04.13
演講主題: Hiding a Swarm's Leader from RL Agent and Human AI Safety in the Information and Physical Spaces   講者: Prof. Michael Lewis 美國匹茲堡大學(University of Pittsburgh)資訊學院教授 Prof. Katia Sycara 美國卡內基美隆大學(CMU)機器人研究所資深研究教授,現任機器人研究所副主任,並擔任可信任人機協作研究中心主任   時間: 2026年5月12日 (二)  15:00-17:00 地點: 管理大樓11樓-AI講堂 直播連結: https://reurl.cc/xW6OmZ或 掃描海報 QR code   講者簡介: Michael Lewis 教授為美國匹茲堡大學(University of Pittsburgh)資訊學院教授,專長於人機互動、人機協作與群體機器人(swarm robotics)研究,特別關注人類如何與多機器人系統及AI協同運作。其研究涵蓋人因工程、強化學習、人機信任與決策支援等領域,長期獲美國國防高等研究計畫署(DARPA)與多個政府機構支持,為人機協作與智慧系統領域的重要學者。   Katia Sycara 教授為美國卡內基美隆大學(CMU)機器人研究所資深研究教授,現任機器人研究所副主任,並擔任可信任人機協作研究中心主任。她為人工智慧、多代理系統與人機協作領域的國際權威學者,為 AAAI 與 IEEE Fellow,並曾獲多項國際學術終身成就獎。其學術影響力深遠,發表超過700篇論文,引用數逾5萬次,致力於發展可信任、自主且可解釋的AI系統。   演講大綱: Hiding a Swarm's Leader from RL Agent and Human 本演講探討在機器人群體系統中保護領導者的策略。雖然以領導者為核心的控制方式可提升群體協作效率,但同時也增加系統遭受攻擊的風險。本研究透過圖神經網路(GNN)訓練群體追隨領導者,並利用對抗式模型辨識領導者位置。研究結果顯示,在一般情境下,AI模型在領導者辨識上優於人類;然而當群體採用隱匿策略時,人類的辨識能力反而優於AI。即使在對抗模型持續學習及高視覺干擾環境下,人類仍展現出穩定且較佳的判斷能力。此結果突顯人類與人工智慧在複雜多代理系統中的關鍵差異。   AI Safety in the Information and Physical Spaces 本演講探討基礎多模態模型(Foundational Multi-Modal Models)的潛在安全漏洞,重點分析透過「意圖欺騙(intention deception)」進行模型越獄(jailbreaking)的風險,以及在何種條件下多模態模型更容易受到對抗性攻擊並洩露敏感或危險資訊。此外,將提出相應的安全防護策略,並進一步介紹「情境安全(contextual safety)」在真實世界應用中所面臨的挑戰。   ※本活動無需報名
7fccf825-5b67-4e00-9a8e-13a9dcdd1cc5.png
03

【演講公告】2026.05.05 數位轉型:大數據與人工智慧引領的臨床試驗變革

2026.04.13
演講主題:數位轉型:大數據與人工智慧引領的臨床試驗變革 講者:  林士睿博士 美國Stanford 大學生物醫學資訊博士 時間: 2026年5月5日 (二)  14:00-16:00 地點: 管理大樓11樓-AI講堂 直播連結: https://reurl.cc/WbvX79 或 掃描海報 QR code     講者簡介: 林士睿博士畢業於台大資訊工程學系/研究所取得學士和碩士學位,並在美國Stanford 大學完成統計碩士及生物醫學資訊博士學位。林博士對將人工智慧和資訊科技運用在生物醫學特別有熱忱。在Stanford時,他致力於透過電腦模型虛擬病人,運用模擬臨床試驗 ,以評估乳癌及肺癌篩檢的成效。之後林博士在羅氏藥廠 (Roche / Genentech) 從事癌症治療新藥的研發工作已有十五年,同時致力參與並領導跨領域的臨床醫學的研究合作。     演講大綱: 隨機對照試驗(RCTs)長期以來一直是臨床研究的最具可信度的研究方法;然而,這類試驗也面臨顯著挑戰,包括高昂成本、漫長的時程,以及倫理或可行性上的限制。大數據與人工智慧(AI)時代的到來,為解決這些難題提供了契機。透過整合試驗外的真實世界數據(Real-world data)——如電子病歷、保險資料庫及疾病登錄系統——可補足隨機對照試驗的不足,有效降低研究成本、提高受試者招募的可行性並縮短時程,對於急需醫療研究的罕見疾病尤為重要。同時,人工智慧驅動的模型能預測病患預後,並在傳統隨機對照試驗不可行性或違背倫理的情況下,透過模擬「虛擬病患」進行合成臨床試驗(Synthetic clinical trials)以評估干預措施。 本演講將分享兩個案例研究:(1) 提出一種創新的「動態借用」(Dynamic borrowing)方法,整合外部數據以提升研究效率,同時極小化選擇偏差並維持試驗的可信度;(2) 運用虛擬病患與合成臨床試驗評估癌症篩檢計畫的成效。相關研究結果已納入美國國家癌症研究所(NCI)的癌症干預及監測模型網路(CISNET),並實質影響了美國與台灣的乳癌篩檢建議指引。   ※本活動無需報名
附件一、114-2 4.22 演講海報_page-0001.jpg
04

【演講公告】2026.4.22「AI-based Image Analysis for Medical Problems: Challenges and New Approaches」- 美國聖母大學電腦科學與工程學系 Danny Chen 教授

2026.04.08
演講主題:「AI-based Image Analysis for Medical Problems: Challenges and New Approaches」(應用於醫療問題之人工智慧影像分析:挑戰與創新) 講者:  美國聖母大學電腦科學與工程學系Danny Chen教授 時間: 2026年4月22日 (三)  12:10-14:00 地點: 管理大樓11樓-AI講堂 直播連結: https://reurl.cc/epD4WW 或 掃描海報 QR code 報名連結: https://forms.gle/XiK5ecK3LCjuzydJ6或掃描海報QRcode (教職員可獲得2小時活動時數認證,請上活動報名系統報名參加)     講者簡介:  Danny Chen教授專長於計算生醫、醫學影像、機器學習、資料探勘及演算法等領域,長期致力於跨領域研究,並與生醫研究人員及臨床實務界密切合作,推動資訊科技於醫療應用之發展,成果卓著。其研究成果豐富,並擁有8項美國專利,展現高度技術創新能力。曾榮獲美國國家科學基金會(NSF)CAREER Award及美國國家科學院PNAS Cozzarelli Prize等重要學術獎項,並為IEEE及AAAS會士、ACM傑出科學家,具國際頂尖學術地位與影響力。   演講大綱: 隨著醫療影像資料快速成長,發展高效且精準之分析方法成為重要課題。深度學習雖於醫學影像應用中展現優異成果,惟仍面臨標註資料不足、高維度影像處理及運算成本等挑戰。 本演講將介紹結合深度學習與演算法技術之方法,並透過稀疏標註策略降低專業標註成本,在醫學影像分割、分類與去雜訊等任務中達成兼具效率與準確性之成果。
附件一、114-2 4.21 AI Seminar 演講海報_page-0001.jpg
05

【演講公告】2026.4.21 透過人工智慧轉型輔助口語溝通技術- 中央研究院資訊科技創新研究中心研究員(教授)兼副主任 曹昱教授

2026.04.08
演講主題:透過人工智慧轉型輔助口語溝通技術   講者:  曹昱教授 中央研究院資訊科技創新研究中心研究員(教授)兼副主任 時間: 2026年4月21日 (二)  14:00-16:00 地點: 管理大樓11樓-AI講堂 AI  Lecture Hall, 11F Management Bldg. 直播連結: https://reurl.cc/grQlk4 或 掃描海報 QR code     講者簡介: 曹昱博士於 1999 年與 2001 年分別獲得國立臺灣大學電機工程學系學士與碩士學位,並於 2008 年獲得美國喬治亞理工學院電機與電腦工程學博士學位。2009 至 2011 年間,他於日本東京國立資訊通信研究所(NICT)擔任研究員,從事多語言語音翻譯系統的研究與產品開發,重點聚焦於自動語音辨識技術。他現任中央研究院資訊科技創新研究中心研究員(教授)兼副主任,並兼任中原大學電機工程學系教授。其研究興趣包括口語溝通輔助技術、音訊編碼以及生物訊號處理。目前,他擔任 IEEE Transactions on Consumer Electronics的副編輯 與 IEEE Signal Processing Letters 期刊的資深副編輯。他曾獲得臺灣國家科學及技術委員會(NSTC)傑出研究獎、2025 年 IEEE Chester W. Sall Memorial Award,並作為通訊作者發表的論文榮獲 2021 年 IEEE 訊號處理學會(SPS)青年作者最佳論文獎。   演講大綱: 本演講將概述以人工智慧驅動之輔助口語溝通技術,涵蓋輔助說話與輔助聽覺兩大領域。第一部分聚焦於輔助說話技術,介紹用於語音障礙之智慧診斷與語音增強框架,並說明機器學習在病理語音分類、嚴重度評估,以及針對如吶語(dysarthria)、術後語音障礙與電子喉發聲等情境之客製化語音增強方法。第二部分則探討輔助聽覺,呈現近年在聽覺障礙診斷與語音訊號處理方面的 AI 技術進展,包含中耳積液(otitis me-dia with effusion)的自動偵測,以及應用於助聽器與人工電子耳之語音生成與客觀品質評估方法。 透過將語音增強、語音評估與語音生成整合於統一的人工智慧架構中,本演講展示神經網路技術在提升溝通效能與可及性方面的潛力,並強調跨領域研究對於推動下一世代以人為本之輔助系統發展的重要性。 ※本活動無需報名
114-2 AI Seminar 謝璦如副教授.png
06

【演講公告】2026.3.25「Genomics, Big Data, and AI: New Approaches for Understanding Complex Diseases — 基因體、大數據與人工智慧:解析複雜疾病的新方法」- 國立台北大學統計學系謝璦如副教授

2026.03.18
演講主題:「Genomics, Big Data, and AI: New Approaches for Understanding Complex Diseases — 基因體、大數據與人工智慧:解析複雜疾病的新方法」   講者:  謝璦如副教授 國立台北大學統計學系 時間: 2026/3/25 (三)  12:10-14:00 地點: 管理大樓11樓-AI講堂 直播連結: https://reurl.cc/lpdb2q或 掃描海報 QR code 報名連結: https://forms.office.com/r/iUTLaer75x或掃描海報QRcode (教職員可獲得2小時活動時數認證,請上活動報名系統報名參加)   講者簡介:   謝璦如副教授專長為統計遺傳學與生物醫學資料科學領域,研究聚焦於整合全基因體關聯研究(GWAS)、多基因風險分數(PRS)、孟德爾隨機化(MR)與機器學習方法,探索複雜疾病的遺傳機制與因果關係。其研究結合大型生物資料庫與高維度生醫資料分析,致力於發展可解釋的疾病風險預測模型,以促進精準醫學與族群健康研究的發展。   演講大綱:   近年來,人類遺傳學的重要發現正持續推動精準醫學的發展。大規模的全基因體關聯研究(genome-wide association studies, GWAS)已經辨識出數以千計與複雜疾病相關的遺傳變異,為理解疾病的生物學機制提供了重要線索。多基因風險分數(polygenic risk scores, PRS)整合這些微小但累積的遺傳效應,能夠識別可能具有較高疾病風險的個體,從而協助更早期的篩檢與更密切的健康監測。孟德爾隨機化(Mendelian Randomization, MR)則提供一種統計推論架構,用以評估暴露因子與疾病結果之間潛在的因果關係,為制定精準且具針對性的介入策略提供科學依據。   此外,機器學習方法在高維度生醫資料的特徵篩選與預測模型建立方面提供了強而有力的工具。例如 LASSO、隨機森林(random forests)以及梯度提升模型(gradient boosting models)等方法,能夠從大規模資料集中辨識出具有重要資訊的基因變異、生物標記以及臨床變數。這些方法不僅能提升疾病風險預測的準確度、優化多基因風險模型,也有助於在孟德爾隨機化分析中發掘潛藏的資料模式與關聯結構。   透過整合統計遺傳學方法、機器學習演算法以及大規模生醫資料資源,我們能夠建立具有可解釋性的疾病預測模型,並促進對疾病生物機制的深入探索。這些研究成果有助於提升我們對疾病機制的理解,並為臨床醫療與族群健康管理提供更有效的預防與治療策略。   主辦單位:健康數據科學研究所    ※本活動需報名