助理教授 · 國立臺灣大學資訊工程學系

Shih-Hsin Wang 王士欣

我專注於發展兼具理論基礎與實用性的機器學習方法，研究主題涵蓋 geometric deep learning、生成模型，以及 AI for Science。我關注如何將直覺轉化為有理論支撐、可靠且高效的工具，並應用於分子、生物與其他科學問題。

Google Scholar GitHub LinkedIn CV Email

筆記

所有筆記 →

研究領域

Flow-Based Generative Models

From Noise to Data 11 篇 · 更新於 2026年6月

2026年6月導論：把資料、分布、粒子串成一張圖中文整個系列的起點：把 data、distribution、particle 三個詞接成同一張圖——生成就是把一團容易做出來的點，搬到形狀和資料一樣為止。 2026年6月生成模型其實在學什麼？中文從 two moons 的最小例子出發，說明生成模型學的是資料分布，而不是記憶訓練樣本，並銜接 noise → data、score 與 velocity 的後續研究語言。 2026年6月跟著一顆粒子走：Lagrangian 視角中文導論已建立『樣本＝會動的 particle』；這篇把鏡頭收到單獨一顆身上，看它隨時間移動的軌跡，建立 Lagrangian 視角。 2026年6月 Vector Field：每個點該往哪裡走？中文從 Lagrangian（跟著一顆粒子）切到 Eulerian（每個位置擺一支箭頭）。Vector field 就是 flow matching 要學的對象。 2026年6月 Probability Path：分布之間可以有一條路中文生成不只關心起點與終點，還關心中間那一整條分布的演化 p_t——像兩張照片之間的那段影片。 2026年6月 Denoising：生成可以被看成局部修復中文把 diffusion 理解成「在每個噪聲程度學會修復一點點」，用『純噪聲難辨識、稍微加噪的狗照片仍可辨識』說明為何漸進去噪比一步生成容易，並釐清 diffusion 與本系列相反的時間方向慣例。 2026年6月 Score Function：資料分布的局部方向感中文 score = ∇ log p，指向密度變高的方向；說明去噪與 score 其實是同一件事（差一個已知比例 −1/σₜ），完整的 Tweedie 推導留給 dfc。 2026年6月 Velocity 當成回歸目標：Flow Matching 在學什麼中文 flow matching 把生成變成「對速度做回歸」；釐清 velocity 與 score、denoising 的差別，並就地給出『條件目標平均成邊際場』的直覺。 2026年6月取樣即解微分方程：離散化、步數與 NFE 中文生成就是數值積分一條 ODE/SDE；步數、離散化誤差與 NFE 是一等公民，也是少步生成研究的起點。 2026年6月三種語言：Noise、Score、Velocity 中文收束整張地圖：noise、score、velocity 是描述同一件事的三種語言，附彼此的換算關係與往 dfc 深入的方向。 2026年6月回顧測驗：用九個問題把整張地圖再走一遍中文核心課程的收尾自測——九個跨篇的啟發式問題，把 data／分布／粒子、向量場、probability path、denoising、score、velocity 串起來。答錯也沒關係，每題都附把觀念接回去的說明。

Geometric Deep Learning

Invariance and Equivariance 7 篇 · 更新於 2026年6月

2026年6月同一個台大，不同的手機視角：不變性與等變性的第一個圖像中文轉動同一張台北地圖，看看哪些答案應保持不變、哪些座標與方向必須一起移動。 2026年6月 CNN 為什麼自然適合看地圖與影像？中文滑動同一張地圖，親眼看見 convolution 的 feature map 同步平移，而 global pooling 把位置收成不變的摘要。 2026年6月如果地圖不是像素，而是一堆點？中文把地圖改成一袋沒有固定順序的點，看看 shuffle 為什麼不能改變集合答案，卻必須同步重排逐點輸出。 2026年6月地圖其實也是一張 graph 中文把路口重新編號，看看 node prediction 如何跟著節點搬家，而整張道路網路的 readout 保持不變。 2026年6月手機轉了，模型該不該跟著轉？中文把手機地圖每次轉 90°，看 orientation channels 如何循環搬動，並分清 augmentation、averaging 與架構等變。 2026年6月 Point Clouds 需要兩種對稱性中文旋轉、平移同一團地圖點雲，分清距離與能量為何不變，以及座標、速度與力為何必須一起轉。 2026年6月對稱性不是免費午餐中文把對稱性從硬規則慢慢放鬆，看看資料效率、表達力與真實誤差之間為什麼沒有免費答案。

學術技能

Paper Writing 1 篇 · 更新於 2026年4月

2026年4月如何寫出一個有說服力的 Introduction 中文

研究方向

Geometric Deep Learning Equivariant graph neural networks and expressive geometric graph representations.
Generative Models Diffusion models, flow matching, single-step models, and test-time guidance.
AI for Science Modeling complex structures like molecules and proteins.