問題的答案無所不包論文書籍站
國立政治大學 會計學系 張祐慈、周濟群所指導 李長瑋的 以自然語言處理建構基於語意網的金融資產分類問答系統：以IFRS 9為基礎準則 （2021），提出DRIVEN F1 電腦關鍵因素是什麼，來自於語意網、自然語言處理、問答系統、金融資產分類、國際財務報導準則第9號。
而第二篇論文義守大學 資訊工程學系 陳泰賓所指導 陳仁傑的 應用FCN深度學習對肺結節低劑量電腦斷層影像進行分割之研究 （2020），提出因為有 全卷積類神經網路、肺結節、低劑量肺部電腦斷層掃描的重點而找出了 DRIVEN F1 電腦的解答。
以自然語言處理建構基於語意網的金融資產分類問答系統：以IFRS 9為基礎準則
為了解決DRIVEN F1 電腦 的問題，作者李長瑋 這樣論述：
本研究目的在探討以少量樣本(訓練樣本總字數266字)但具備知識內涵的會計準則，如IFRS 9，是否可用於知識塑模，建立對應的語意網模型，並以此為基礎建立問答系統。本研究之方法包含兩大部分，第一部分是以AI技術，自然語言處理的成分句法分析(constituent parsing)，解構IFRS 9或問題(會計題目)中詞彙或片語，並考量其詞性，將詞彙或片語標記為Predicate (述詞)或Object (受詞)，此即為IFRS 9或問題之特徵，並使用非AI技術，語意網進行儲存。此外，本研究為捕捉更多特徵，將IFRS 9的特徵以金融領域的WordNet同義詞作為概念詞袋(bag-of-conce
pts)。第二部分則是語意重要性分析，負責將IFRS 9與問題的語意特徵比對，並以「語意重要性分數」來分析問題與IFRS 9中四種會計衡量方法的語意相似性，並得出金融資產問題中，應採用的會計衡量方法。本研究在語意相似度的比對上，提出「語意重要性分數」，其考慮在語意上是否有相同的特徵(Predicate或Object)，並考量特徵在特定會計衡量方法中是否具重要性。研究結果發現，輸入共計40道IFRS的教科書題目(總字數2,787字，平均135字)，分類系統在識別金融資產應採用的會計衡量方法正確率為92.50%，F1-score為94.60%，證明即使樣本數量不多，但樣本具有知識內涵亦可建構可使用
的問答系統。本研究貢獻有三：一是提出轉換會計原則為語意網模型之方法及流程；二是本研究提出的「語意重要性分數」，此語意相似性的衡量有助於知識模型在問答系統中使用；三是驗證具知識內涵的會計準則不須大量樣本及標記，即可建構問答系統。
應用FCN深度學習對肺結節低劑量電腦斷層影像進行分割之研究
為了解決DRIVEN F1 電腦 的問題，作者陳仁傑 這樣論述：
目的:電腦斷層掃描(Computed Tomography, CT)在早期診斷肺結節是一重要的影像學檢查工具之一。目前低劑量肺部電腦斷層掃描(Low-dose Lung Computerized Tomography, LDCT)已普遍用於健康檢查。但是，由於LDCT切片數很多，有時難以檢測到小結節。因此採用全卷積類神經網路(Fully Convolutional Neural Network, FCN)用於標記LDCT的小結節；主要目的是以高可行性和準確性分割肺結節的邊界。材料與方法:本研究實驗設計為回顧性研究；共收集肺部結節病例126名有效受試者。FCN採用ResNet18、ResNet
50以及MobileNetv2三種全卷積神經網路。影像預處理包括保留肺部區域以及轉換為JPG彩色格式影像。同時探討3個FCN模型、3種訓練比率、5種Batch Size、5種Epoch、2種收斂函數共450種參數組合；訓練、測試和驗證集將應用隨機拆分為70％、20％和10％。模型效能評估採用整體準確率(Global Accuracy)、平均準確率(Mean Accuracy)、平均交疊率(Mean Intersection over Union, IoU)、加權交疊率(Weighted IoU)及平均邊界F-1分數(Mean Boundary F-1 Score, BF)。結果: 經由驗證集結
果顯示，最佳模型為MobileNetv2其整體準確率(Global Accuracy)、平均準確率(Mean Accuracy)、平均交疊率(Mean Intersection over Union, IoU)、加權交疊率(Weighted IoU)及平均邊界F-1分數(Mean Boundary F-1 Score, BF)分別為0.9999、0.9637、0.9491、0.9999、0.9995。結論: 透過影像預處理以及JPG彩色格式影像，能夠有效提供FCN對LDCT肺結節進行有效性分割。未來將增加案例數以提高切割效能，同時能應用全3D神經網路模型於病灶分割之應用。