dp線好壞的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

The effects of visual training on sporting performance in volleyball players

為了解決dp線好壞的問題，作者周妤庭 這樣論述：

視覺跟踪能力在許多運動中很重要，並且可以對性能產生重大影響，其中掃視眼球運動的質量是諸如排球等體育運動不可缺少的方面。儘管如此，教練們很少培訓運動員的視覺能力，眼球運動訓練在體育運動中並不是一個新問題，但運動員認為花費太多時間。在這裡，我們旨在調查一種簡單的方法來提高運動員的視覺能力，目的是通過七天的排球運動員的視覺訓練，在短時間內提高運動員的運動成績。在實驗1中，我們將受試者分為兩組，一組為動態視覺訓練組，另一組為對照組。作為衡量運動成績的一項指標，所有參賽者都進行了排球扣球表現測試。一週後，實驗組和對照組的扣球表現沒有區別。在實驗2中，受試者分組方式與實驗依相同，我們降低了實驗1中的扣球

測試的難度，並增加視覺測試的前測與後測。我們分析了路線正確率，扣球成功率和扣球的準確性，並與視覺測驗變化量比對。發現扣球成功率的變化量和扣球的準確性的變化量皆與視覺測驗變化量有正相關。在實驗3中，扣球測驗與實驗2相同，而受試者僅有一組。受試者將進行安慰劑視覺訓練而不跟踪任務，並與實驗2的數據進行比對。其結果顯示雖然安慰劑視覺訓練組也有視覺訓練任務，但其結果與對照組相似。這些結果表明視覺追踪確實有助於改善運動的表現。在實驗4中，我們對實驗2裡的動態視覺訓練組進行追蹤，一個月後再次進行扣球測試與視覺測試。發現扣球的路線正確率與扣球成功率與一個月前經過訓練後沒有差別，而扣球的準確性卻下降但比一個月前

經過訓練前高。使用實驗2的數據分析視覺能力與扣球能力的相關性，得到扣球成功率與精準度與視覺能力的變化有關；路徑正確率與視覺能力的變化無關，而視覺能力的高低與扣球能力的好壞無關。

壓縮隱私生成式對抗網路

為了解決dp線好壞的問題，作者曾柏偉 這樣論述：

機器學習服務(MLaaS)近年來為我們日常生活帶來了很多便利，事實上這些部署在雲上的機器學習服務造成了嚴重隱私洩露的問題。此篇論文提出了壓縮隱私生成式對抗網路(CPGAN)，這是一個數據驅動化的模型並且運用了正火紅的對抗式學習概念。我們的目標是，在上傳資料至雲端前先經過設計好的非線性壓縮類神經網路(privatizer)，產生的壓縮信號可保留原機敏性數據的可用性且移除侵犯隱私的相關訊息，在此框架下可以提供二階段的隱私保護：原始資料只會保留在本地端、此壓縮信號可以防禦重建攻擊。要評量此壓縮網路的好壞，可以由壓縮隱私生成式對抗網路的分類器來衡量數據可用性，並另外學習一個重建網路(adversar

y reconstructor)來衡量隱私保護的程度。我們實驗不同種類的資料集並和過去文獻方法比較，由此證實壓縮隱私生成式對抗網路可以在數據可用性及隱私維護間達到較好的平衡(trade-off)。