中心成果

應用徑向基底函數配點法(Radial Basis Function Collocation Method), 傅立葉sine級數(Fourier Sine series) 以及延續法解旋轉玻次愛因斯坦凝聚(Rotating Bose-Einstein condensation)問題。
醫療數據AI：與台中慈濟醫院、彰化基督教醫院合作，預測藥物副作用。
影像處理：對影像數值模型進行深入細緻的研究。建立偏微分方程式來作為影像處理的模式以便作為壓縮以及同步去雜訊的工具。Streamline法可以快速將雜訊流向低能量區域，與Streamline擴散有限元素方法相比，可以提高局部區塊的精度並壓縮影像所需的計算節點。

本研究團隊成功研發出一個基於對比雙投影器(CBP)之非監督式自適應領域方法，可改善傳統方法的效能，被稱之CBPUDA ，主要提升其中的特徵分類器效能減少混淆特徵產生在分類及自適應領域過程中。此CBP設計不同於傳統對比雙投影方法，主要是可將一個輸入特徵投影至兩個不同特徵，有助於更能分類出特徵所屬類別，主要的雙投影方法設計是用生成式對抗網路來產出更精細的分類邊界，這些邊界使得分類的效能提升正確度。(此成果已投稿至 to IEEE Trans. on Neural Networks and Learning System)。
此技術有很顯著的潛力有更佳的分類效能用於自適應領域的分類問題，未來應可廣泛用於更多影像分類問題，提升分類效能。

區塊鏈技術提供了確保數據完整性和可追溯性的解決方案。然而，傳統區塊鏈的不可變性與 GDPR（歐盟的個人數據保護規定）的要求存在衝突。為了解決擴展性和隱私方面的疑慮，我們設計了一個綜合方案，將可編輯的區塊鏈與現有的可撤銷 IPFS 機制整合。我們的方案克服了傳統區塊鏈中殘留下載信息的缺點。此外，我們開發了一個增強的代理重加密方案，簡化了醫生的訪問控制，無需複雜的群組密鑰管理。與傳統的區塊鏈和點對點文件共享系統不同，我們的個人健康記錄平台允許選擇性刪除記錄和文件，同時保持可審計的日誌。(成果已發表在IEEE Transactions on Dependable and Secure Computing 期刊)。 基於上述技術，我們有很大的機會設計一個碳權證書平台，以滿足安全問題並符合 GDPR 要求。