本團隊應用聯邦式學習架構建立一熱補償模型，解決工具機因環境溫度變化造成之熱誤差問題。在此情境中各機可從雲端互動，分享與更新各機的模型參數，用以提升原始熱誤差模型於不同環溫軌跡下的準確度，但不洩漏使用者各自的環溫個資。

開發超合金難切削材的製造技術與價值，全自動加工技術，提升效率與加工品質穩定性，結合自動化且智慧化到無人全自主運行加工與檢測。

本計畫應用大數據及AI等分析技術，從工廠營運端角度切入，將不同決策單位如APC、APS、產能規劃需求與存貨管理規劃之間的資料相互整合，建構屬於工廠自己的戰情室，以在不確定風險中提升廠商整體自癒力以及決策品質。

多職類查房是加護病房內多職類臨床醫療人員之間定期、以患者為中心的溝通機制。成大醫院外科加護病房團隊發展整合i-Dashboard作為輔助多職類查房醫療人員的視覺化面板平台。i-Dashboard可以增加數據收集效率，且在多職類查房時可提高溝通準確性和資訊傳遞。

本項技術提供有關NeRF架構的超快速收斂方法，適用於從一組已知取像姿勢方位的場景影像集中，有效重建出每個場景的輻射場。

本研究利用機械學習演算法，以建立感染嚴重特殊傳染性肺炎從急診住院的病患是否發生院內心跳停止事件的預測模型，以及早找出此類高風險病患，防範於未然。研究成果的模型分辨率優於現行國際採用的預警評分系統。

HeaortaNet AI模型為整合影像分割、心血管疾病指標分析及串接風險預測模型的一站式分析工具。本模型將無顯影劑胸部電腦斷層影像分割心包膜及主動脈程序由人為的60分鐘縮短至0.4秒。心包膜分割準確度94.8%，升/降主動脈91.6%。

本團隊發展之脈波傳導速度估測系統利用腕式光體積描記訊號PPG與心電訊號ECG，透過遺失特徵差補與模糊特徵辨識技術搭配加權式波形拆解法解析PPG脈波，得到五個成分波的波峰時間、寬度與振幅，據此估測肱踝脈波傳導速度。

YOLOv7是新一代的即時物件偵測器，他提供了最先進的從邊緣計算到雲端計算的全面即時物件偵測架構。

本計畫跟國際團隊同步執行收集極大型中文情緒語料庫，也針對語音情緒辨識的公平性進行探討以解決情緒辨識在應用端上可能遇到的社會議題。其中有發現資料庫標記皆有男女觀點不公平的現象導致訓練出來的模型會有偏差。

本計畫研究高效端到端分散式深度強化學習訓練平台，用於發展自駕模型賽車。於近年參加亞馬遜(Amazon)所舉辦的世界級自動駕駛競賽AWS DeepRacer，獲得世界冠軍。 此外，本計畫也成功結合不同深度學習演算法與框架，開發出能以更高速行駛之自動駕駛AI，達到超越DeepRacer之表現。

本計畫目標在建立一套能長時間在各種淺海區域執行水下探勘與生態調查任務的AI水下無人載具系統，可針對指定區域之珊瑚礁生態系統進行自動化影像、聲學與水文等資料之收集、分析與紀錄。

隨著深度學習技術之成熟，閱讀理解模型(給定一文章與一問題，由AI模型從該文章中自動找尋問題之答案)已成為自然語言應用中關鍵之元件。諸如知識萃取、知識圖譜建立皆可利用閱讀理解模型來解決。本計畫中使用台灣農業知識庫文集，利用閱讀理解模型建立對應專屬台灣之農業知識圖譜。然而現有閱讀理解模型並非為農業文獻量身定做，因此無法直接使用。本計畫結合問題生成技術來進行農業資料增量，進而訓練農業領域之文獻閱讀理解模型。過程中所衍生之相關技術，亦被接受於IJCNN2022國際研討會。

語音助理的應用日漸普及，但由於基於人工智能之技術面臨效率低下的問題，目前的產品仍使用基於規則的方式構建居多。因此，我們將針對對話系統的不同組件分別提出對應的解決方案以提高各組件的數據效率及工作效能。

本計畫提出全球第一個同時考慮準確性、及早性及變異長度之時間序列早期分類技術，包含新穎的深度強化學習框架以及多目標優化演算法，並應用於基於心電圖之心血管疾病早期分類，達本領域最佳效能，具全球領先性。

自督導式學習的目標是機器只要在日常生活中聽人們對話，在不用人為進行任何標註的情況下就可以對語音訊號進行理解。台灣研究團隊和Meta、CMU、MIT、JHU的團隊構建了語音自督導式學習評估框架 SUPERB。

本研究群計畫依循台灣2030科技願景方向—創新、包容、永續，以樂活社會及普惠科技為主要方向，研究開發可信賴AI技術，導入未來的智慧服務，實現普惠科技所指的發展以人為本的智慧科技，強化新興科技的治理與應用。本研究群計畫為單一整合型計畫，含總計畫與7個子計畫，由台大、清大、以及中研院AI技術領域頂尖團隊組成，陳信希教授為總計畫主持人，分成3個研究群：機器學習(子計畫一、二)、多媒體處理(子計畫三、四)、以及人本計算(子計畫五、六、七)。本計畫之挑戰主軸為【適用於智慧服務的可信賴人工智慧先進技術】，將從不同技術角度、不同資料型態、以及各個開發與使用階段，進行可信賴AI的前瞻研究。由資料收集、技術開發、至應用落地，探討造成人工智慧/機器學習技術信賴問題的因素，包括偏誤、公平性、透明性、可解釋性、可回溯性等。各子計畫將以特定的智慧服務應用，體現所開發技術的效益與實際應用。總計畫由科技部補助臺大人工智慧技術暨全幅健康照護聯合研究中心團隊負責管理、規劃、及執行。總計畫將整合各子計畫的研究成果，提出可泛化運用於智慧服務產業的具高度可信賴的人工智慧技術整體方案。

本計畫提出經由人類演示引導機器人學習之系統，機器人除了可由人類教導機器人學習之外，亦可由機器人自行修正其行為增進學習效能。