主要分成系統面跟應用面，系統面以網路跟分散式系統的架構為主，像mobile edge computing、IoT系統部分、無線網路部分、分散式機器學習；應用部分分成多媒體跟醫療資訊系統。主要就是在探討這兩個面向的關聯性跟相互之間的設計、效能評估，我們會在幾種議題下探討。
最近幾年從cloud computing到data center到mobile edge computing，儘量把計算從雲端用架構性的方式讓他靠近user side，去做加強或補足，差異性是他沒辦法像cloud computing有那麼大量的運算能力，但他比較接近user，延遲會比較短，可以做比較即時的應用，檢調high latency。他不是用來取代cloud computing跟data center，是用來做補足，因為很多計算如果丟到雲端會來不及，現在的應用大多用10秒、1秒計算，但是未來AR、VR、XR單位是在ms以下，所以不能把所有運算丟到data center。
這有一些相關的討論或處理，像是很多user會移動，以前的處理方式是簡單的一到基地台，但現在的移動包括資料或數據是上傳到雲端，要怎麼上傳、移動中工作是給誰，就會有很多選擇，dalay跟能量消耗如何處理。
5G之後的延伸運算效果會變到短波長、高頻率，好處是傳輸速度變快，缺點是會互相干擾，之後會應用到hot spot、smart city、health care（如遠距醫療）。
分散式機器學習系統大概是從五六年前alpha go之後，有很多在分析、語音辨識、語言轉換方式非常成功，有一個問題是資料非常大量，不太可能在單一機器上運算，所以需要一個分散式的架構。
我們在探討說在一個分散式或大量平行化架構中，資料擺放、收斂性等問題，這包括傳統的nn網路架構設計、架構，需要考慮訓練的時間跟資源，有幾台GPU？資料不夠的時候怎麼加資料？還有各式參數的調變，做更深的研討之後，除了突破現在辨識、分類的困境，要去提升knowledge或是data base，包括強化學習meta learning或是self supervise learning。除了探討系統架構最佳化的問題，我們也會試著用這個架構去解非線性或是complex programming的最佳化問題。
醫療資訊系統是五年前我開始在台大醫院資訊室幫忙，我們有相當多醫療資訊跟場景，我們focus的除了影像之外還有很多文字（向醫生的診斷）、數據，要把各個類型的資料整合，輔助或是加強判定。現在正在做的有肝癌的成效追蹤跟術後復發的系統，結合文字、檢驗、病理、影像資料，怎樣把各式各樣的資訊整合在一起，做成一個適當的預測模型，是我們希望做到的事情。另外就是遠距的醫療，醫生做遠距的視訊診斷，可以讓醫院跟病患免除面對面接觸，降低傳染或感染風險。還有精準醫療部分，DNA可以用在癌症診斷、親屬鑑定、法醫鑑定、定序，傳統是用訊號處理跟dynamic pregramming去對齊的校正工作，我們希望可以用一個深度學習的模型把它做出來。
多媒體的應用像是影像或是視訊，主要希望能夠把資料層的特性加上系統層的特性，從兩個面向去做更好的設計或評估，系統層最佳化可以考慮資料的特性，而資料面需要知道系統裡面是計算資源、memory、還是傳輸過程發生問題，針對問題做設計跟提升。涵蓋簡單到難的概念，有基本的機率、系統網路、演算法的概念，還有很多新的技術跟技巧，跟各式各樣的應用，結合起來就有很多挑戰性的議題。
希望做到paper reading跟一些teamwork，兩個以上的同學組成一個study group，建立背景知識，把問題收斂成幾個方向去問學長姐。會有一些專題propose給專題生，針對你們有興趣、適合的部分討論，也會跟碩班、博班學長姊討論。在唷個project裡面會切割出比較小的，讓你們在中後期做實際的implementation。
前面階段（大約三分之一學期）專題生會跟學長或我個別meeting，等到有一定背景知識或興趣後，也很歡迎參與實驗室的regular meeting。
我們只會assign大概的進度，時間分配都是以責任制概念。一開始會希望專題生輔助完成大計畫裡面的小部分，希望建立一些學習的方法跟想法，但如果你有更多的想法，並且有能力跟信心去嘗試，且已經做得相當完整，就可以獨立出來做更多的部分，我們也相當樂見。
要有高度興趣、認真工作，不怕簡單的數學跟programming，要能思考跟問問題。有基本機率跟演算法概念就可以，如果了解系統部分會是一個plus，但在過程中都可以持續累積學習。
對我來說至少一個禮拜讀一篇論文是minimum requirement，另外就是project的部分要有進度，一篇論文一開始可能要花三到六小時，慢慢可以到兩三個小時一篇。
我覺得專題生有點像是研究生的前期訓練，碰到問題不像大學部課程有標準答案，或是老師給定一定的問題，專題中要學到的像是怎麼去找到問題，知道問題的範圍、值不值得做，之後找到適當的solution去解決問題，問題也未必有唯一解法，可能有各式各樣的解法跟挑戰，必須知道在什麼範圍下你的解法會是好的、better的解法，這是在專題可以學到的部分。
相較於研究生，專題生找的到更多人輔助，問題的scale、深度都比較淺一些。
在我們實驗室，希望對系統跟資料的問題可以從兩個方向去著眼，比如資料可以放在什麼樣的系統、放在close或分散式的架構，對於data science可能不重要，但我們就必須考慮。有各個面向的討論，能夠提高效率、知道怎麼做比較好。
其實我覺得對各科系的學生都是必要，出了大學之後，無論是做研究或在業界工作，常面對的都不是well-fomulated的問題，有很多變數，這個專題就很像是一個小的project，在老師跟學長姐保護下，去做討論跟演練，去找問題、解問題、收斂問題，了解做得到的範圍，這是很好的學習機會。所以我會建議如果時間夠，多做幾個專題會非常值得。
有些同學大多從大三開始，二年級修完課後，三年級是一個滿適當的時機，也有同學會從大二開始超前部署，有些東西就要能先學到或花時間補足，花在專題課的時間也比較多。
要知道自己喜歡什麼其實不容易，所以可以用排除法，只要不是很討厭，在可能有興趣的領域中嘗試，我想老師也會很願意幫忙。
那就換吧，對我是沒有問題的。如果沒有興趣還硬撐下去，是浪費學生跟老師的時間。這其實是很常見的，若試過了還是沒有興趣，那提早講清楚、早點去做有興趣的通西，對老師跟同學都好。
我是ok，像上面提到的，可以就有興趣的領域中挑一兩個去做做看，每學期都試幾個，最後收斂到真正有興趣的，就像修課一樣，不會一次只修一門。不過這跟老師的個性有關，也要考慮自己時間是否允許，若超過三個可能會學得不太精。
若有其他問題都可以問我，我再email回答。