novel fergus介紹的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

高壓縮比超長文本抽象式摘要生成

為了解決novel fergus介紹的問題，作者蕭郁君 這樣論述：

本研究探討的是文本摘要的新任務：生成具有高壓縮比的長文本抽象化摘要。自動摘要是自然語言處理領域中廣泛研究的主題，目前以 Transformer 架構為基礎的神經網路模型在新聞的抽象式摘要上，展現了一定的成效。本研究則針對更具挑戰性的輸入類型，書籍，作為摘要的對象進行探討。與長度僅數百字的新聞相比，書籍長達上萬字或更多，而對超長輸出入進行建模，是當前神經網路模型的一大挑戰。除此之外，書籍摘要需要將大量文字，改用少許概括性的文字重新表述。然而目前不論萃取式或抽象式摘要，主要的原理均是對輸入中的文句進行選擇與排序，故不易將大量詳細瑣碎的文句濃縮成概括性的宏觀概念。因此，書籍摘要的高壓縮率，構成現有

摘要生成技術的另一挑戰。為解決上述的兩個挑戰，我們提出了一個基於 Transformer 神經網路的多層處理架構，適用於非常長的文本摘要，而且可以在監督式與非監督式兩種模式下運作。為了訓練我們的模型，我們提出了偽標記的策略，在不需額外人工標記的情況下訓練生成模型，進一步提出了一種自監督學習任務，利用多任務學習的方式，促進抽象摘要模型選用廣泛的宏觀表達方式，將具體詳細的措辭重新表述。實驗結果顯示，與現有方法相比，本篇論文提出的方法可以生成更好的摘要。

基於深度學習的誤差補償增強演算法應用於強健式遠距心跳估計

為了解決novel fergus介紹的問題，作者周佾緯 這樣論述：

近年來，遠程光體積描記術（Remote photoplethysmography，簡稱 rPPG）在醫學以及工程領域受到廣泛關注，該技術利用普通相機從彩色訊號中提取因心跳所造成血管收縮及擴張而產生的體積變化，進而獲得心跳、血壓、呼吸率等生理資訊。然而，由於亮度變化、頭部運動等干擾會產生大量額外的雜訊，進而導致傳統的非接觸式心跳估測演算法的失效，以致於無法廣泛應用於實際的生活中，尤其是要用於監測汽機車駕駛的生理資訊的案子上。在本研究中，我們提出一種用於心跳估測的誤差補償演算法，該方法利用人臉檢測器和非接觸式心跳估測演算法中獲得的人臉資訊以及色度特徵來提升算法的準確度。本論文所提出的演算法有別於

其他演算法，是透過神經網路技術找尋演算法所得出的誤差以及外部雜訊間的轉換關係，而不是直接獲取心跳或 rPPG 訊號，最後將該預測出來的誤差補償回原本演算法的運算結果進而提升準確度。在本論文的實驗中，我們使用自行建立的四種不同干擾程度的資料庫，分別是 CSSP_Driver資料庫、CSSP_Front_of_Computer 資料庫、CSSP_Still 資料庫與 CSSP_Skin_Level 資料庫，以及兩個公開資料庫 PURE資料庫和 UBFC資料庫來測試演算法的可效性。由實驗結果可知，本論文所提出的方法不僅可以提高算法在高度干擾環境下的準確度，而且可以保持原先算法在穩定條件下的效果。值得

一提的是，本論文所提出的演算法對原本演算法在各個資料庫所產生的均方根誤差 (RMSE) 分別可以改善CSSP_Driver 資料庫 72.23%、CSSP_Front_of_Computer 資料庫 43.60%、CSSP_Still 資料庫 9.38%、CSSP_Skin_Level 資料庫 61.46%、PURE 19.14%、UBFC 6.18%。