AI disadvantage的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

基於半監督式神經網路的車用雷達影像合成技術

為了解決AI disadvantage的問題，作者廖陳毅 這樣論述：

對於自動駕駛而言，當面對不利的天氣或運作情況時，雷達是能夠輔助光達與相機的關鍵感測裝置。儘管雷達信號有著良好的穿透能力這項優勢，它的主要缺點是在於解析度比起光達與相機要來的低很多。有鑑於近年來人工智慧輔助的影像合成技術的發展，我們在本篇文章中呈現了一種結合了壓縮感知、合成孔徑雷達與生成對抗式網路三項技術的影像合成方法，並且能夠成功的從雷達點雲圖合成高品質的車輛影像。明確來說，壓縮感知與合成孔徑雷達技術被使用在重建雷達點雲上面，這些雷達點雲具有不同車型的鮮明特徵，此外生成對抗式網路的生成器部分使用的是變分自編碼器來從三維的重建雷達點雲合成二維的車輛影像。在這樣的模型架構下，我們進一步提出一種半

監督式學習的方式，利用由變分自編碼器中的編碼器提取出來的特徵，來預測車輛的面向以減少合成影像時有面向出錯的問題。這樣的半監督式生成對抗網路架構不只能提供對於自駕車來講十分重要的車輛面向資訊，也能夠改善合成影像的品質。大量雷達點雲重建與影像合成的模擬結果將會在後續的文章中呈現，並且我們所提出的方法在不同的車型的情況下都能有勝過其他車輛影像合成方法的表現。此外，為了實現在現實中的應用，我們將遷移式學習引入我們的成像方法之中。經過微調後的生成模型能夠從由真實收集的雷達資料重建的點雲成功產生對應的車輛影像，而在文章的最後我們也針對多霧的天氣做了實驗來展示我們提出的雷達成像方法對於不利環境的穩定性。

基於BERT模型之整合社群群眾智慧與智能問答系統之知識萃取與提供模式

為了解決AI disadvantage的問題，作者張邦育 這樣論述：

近年來由機器學習主導的問答任務（Question Answering）發展迅速，旨透過機器解答用戶問題，許多研究探討了將資訊轉化並管理的方法，如將資訊轉換為知識圖譜或知識庫的形式（Lan等人，2019；Chen和Li，2020），以利於將輸入問題連結至知識庫的資訊，有效地回答使用者的問題（Xiong等人，2021；Qi等人，2021），然而，知識圖譜的建構通常較為困難，需耗費大量的資源，而若採非結構化的資料儲存方法，雖可解決部分建構成本高的問題，但同時不穩定的維護人力也導致新資訊較無法快速更新。 根據上述之問題，本研究乃建構一套「基於BERT模型之整合社群群眾智慧與智能問答系統之知識萃

取與提供」模式，包含「社群群眾智慧知識庫建立模組」及「群眾智慧問答推論模組」，透過自動化萃取網路社群平台之知識文章，並利用BERT模型解析文本語意，發展並設計一套基於社群群眾智慧文本之智能問答系統。首先，「社群群眾智慧知識庫建立模組」乃透過網路爬蟲方法自動蒐集網路社群平台之文章，並經由意見領袖特徵解析，分析意見領袖文章之文本特徵，萃取當中的群眾智慧知識文本，建立群眾智慧知識庫，其次，「群眾智慧問答推論模組」乃先將輸入之問題與知識庫的文章進行關聯性的匹配，經BERT關聯性計算模型計算問題與知識庫文章的關聯性，篩選出關聯性高的匹配文章集合，以此縮小掃描以及閱讀的範圍，最後根據匹配文章集合將文章與問

題一同配對，由BERT答案推論模型閱讀文章以及問題，推論問題之目標答案段落，並輸出使用者所提問題之目標答案。 為確認本研究所發展之方法於實務應用之有效性，本研究乃基於TensorFlow及PyTorch等深度學習框架，建構Web-based之「整合群眾智慧與智能問答之知識萃取與提供系統」，並以中文之論壇（PTT、知乎）及DRCD問答任務資料集，作為實際案例以及驗證資料，並於系統整體績效評估上取得：EM值73.30%；F1值82.66%。與Chen等人（2017）進行比較驗證：在EM指標上提升26.38%；F1值提升15.64%，以證實本研究系統運作之實用性與可行性。 綜上所述，本研究透過意

見領袖文章特徵擷取與判定，自動化地取得網路社群所蘊含的知識文章，以此建立群眾智慧知識庫，並基於知識庫之資訊藉由BERT模型進行目標答案推論，解答用戶所提問之問題，提供使用者更進階的資訊獲取方式。