Page 119 - My FlipBook
P. 119
設計一套具有理論效能保證的隨機演算法。大規模 Brochure 2020
使用者個案研究及實驗結果皆驗證了 SNMDD 及 N3S 117
的效果。
三、寫入受限記憶體與儲存裝置之高效資料管理系統
近年來，由於大數據應用的快速發展，數位資料總
量上升的速度急速加劇。為了跟上這個腳步，一些
新型態的記憶體與儲存體也應運而生。例如非揮發
性記憶體可降低主憶體的成本，同時疊瓦式硬碟能
進一步降低磁碟機的單位容量成本。基於這樣的發
展主軸，我們研究如何在非揮發性記憶體上設計新
的資料排序演算法，達成最小化寫入量，同時達成
極低的讀取時間複雜度。此外，我們進一步研究如
果能在具有循序寫入限制的疊瓦式硬碟上，設計一
個高效的資料索引系統，此系統能在索引改變時，
快速並有效的進行索引更新。這些設計經過一系列
的系統實驗證實，我們的研究確實具有高度的執行
效率。
四、複合式類神經網路：理論與 PM2.5 預測的應用
本 研 究 針 對「 複 合 式 類 神 經 網 路 」 探 討 其 架 構 以
及效能。複合式類神經網路是將多個「預學（pre-
trained）」 類 神 經 網 路 模 型 以 及「 未 學（non-
instantiated）」神經網路模型視為元件，依照有向
且無迴圈的有根（rooted）圖形的結構加以組合而
成。所謂的預學類神經網路是指，針對特定函數或
或具體任務精心訓練的模型；未學類神經網路則相
反，是指尚未經過訓練的模型。雖然一般普遍相信
複合式類神經網路的表現應該優於其中任何一個元
件，但之前的文獻裡並沒有具體的理論保證。我們
在此提供了複合式網路的建構方法，也從理論方面
去證明複合式類神經網路高機率可以表現得比網路
中的任何一個預學元件要好。此外，如果將一個額
外的預學元件加入既存的複合式網路，則新的複合
式類神經網路仍然高機率比其中的預學元件有較好
的表現。在應用方面，為了在現實世界檢視前述理
論上的結果，我們針對 PM2.5 預測這個複雜的問題
設計了幾個實驗。實驗結果顯示我們實作出來的複
合式網路，其預測的誤差值往往會小於任何一個既
學元件，與理論推導的結果一致，同時也顯示了複
合式網路的優點。
使用者個案研究及實驗結果皆驗證了 SNMDD 及 N3S 117
的效果。
三、寫入受限記憶體與儲存裝置之高效資料管理系統
近年來，由於大數據應用的快速發展，數位資料總
量上升的速度急速加劇。為了跟上這個腳步，一些
新型態的記憶體與儲存體也應運而生。例如非揮發
性記憶體可降低主憶體的成本，同時疊瓦式硬碟能
進一步降低磁碟機的單位容量成本。基於這樣的發
展主軸，我們研究如何在非揮發性記憶體上設計新
的資料排序演算法，達成最小化寫入量，同時達成
極低的讀取時間複雜度。此外，我們進一步研究如
果能在具有循序寫入限制的疊瓦式硬碟上，設計一
個高效的資料索引系統，此系統能在索引改變時，
快速並有效的進行索引更新。這些設計經過一系列
的系統實驗證實，我們的研究確實具有高度的執行
效率。
四、複合式類神經網路：理論與 PM2.5 預測的應用
本 研 究 針 對「 複 合 式 類 神 經 網 路 」 探 討 其 架 構 以
及效能。複合式類神經網路是將多個「預學（pre-
trained）」 類 神 經 網 路 模 型 以 及「 未 學（non-
instantiated）」神經網路模型視為元件，依照有向
且無迴圈的有根（rooted）圖形的結構加以組合而
成。所謂的預學類神經網路是指，針對特定函數或
或具體任務精心訓練的模型；未學類神經網路則相
反，是指尚未經過訓練的模型。雖然一般普遍相信
複合式類神經網路的表現應該優於其中任何一個元
件，但之前的文獻裡並沒有具體的理論保證。我們
在此提供了複合式網路的建構方法，也從理論方面
去證明複合式類神經網路高機率可以表現得比網路
中的任何一個預學元件要好。此外，如果將一個額
外的預學元件加入既存的複合式網路，則新的複合
式類神經網路仍然高機率比其中的預學元件有較好
的表現。在應用方面，為了在現實世界檢視前述理
論上的結果，我們針對 PM2.5 預測這個複雜的問題
設計了幾個實驗。實驗結果顯示我們實作出來的複
合式網路，其預測的誤差值往往會小於任何一個既
學元件，與理論推導的結果一致，同時也顯示了複
合式網路的優點。
