助理教授 · 國立臺灣大學資訊工程學系

Shih-Hsin Wang 王士欣

研究幾何深度學習、生成模型與 AI for Science，將直覺轉化為有理論基礎、可靠且高效的工具。

選一條路線，開始探索

Google Scholar GitHub LinkedIn CV Email

更多研究介紹

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。

筆記

所有筆記 →

課程

Diffusion Models and Their Applications 從 Diffusion Models 與 Flow Matching 出發，延伸至離散生成、one-step generative models，以及生成時的引導與應用。 7 個單元 · 2026年10月 Geometric Deep Learning 從 symmetry 的問題出發，推導運算限制、交代設計選擇，再構造 CNN、集合模型、Attention／Transformer 與 GNN，並建立幾何、energy 與 force 的關係。第一階段 G1–G6 共 31 篇；G7–G11 規劃 34 篇擴充。 6 個單元 · 2026年10月

基礎

Mathematical Foundations 以淺顯易懂的方式介紹機器學習中常見的數學工具，以及本網站其他相關課程所需的數學知識。被 67 篇引用 · 2026年10月 Machine Learning Foundations 介紹機器學習的核心概念、方法與實務，建立理解、分析與應用不同機器學習模型的基礎。被 10 篇引用 · 2026年10月

學術技能

最新消息

完整經歷 →

Aug 2026

學士專題生名額目前已滿，碩博士生視情況而定。目前狀況與申請方式請見加入研究室。

Jul 2026

獲選為教育部玉山青年學者（玉山學者計畫）。

Jul 2026

我將在 SIAM IS26 與 MDS26（鹽湖城，2026 年 11 月）籌辦兩場關於 generative models、optimal transport 與 inverse problems 的 minisymposia。 [Details]

Jul 2026

我將於 2026 年 8 月加入國立臺灣大學資訊工程學系擔任助理教授。

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.

代表著作

所有著作 →

FdAudio: MeanFlow-Anchored Fréchet-Distance Post-Training for One-Step Text-to-Audio Generation

Huang, K. P., Lu, B. R., Chung, H. L., Wang, S. H., Lee, H. Y.

SLT 2026

Test-Time Sequential Steering of Diffusion Models via Preconditioned Crank-Nicolson

Keller, J. A., Transue, T., Li, Q., Wang, S. H., Wang, B.

NeurIPS 2026

Improving the Efficacy of Test-Time Steering in Masked Diffusion Models with Parallel Tempering

Lu, P. Y., Lin, H. T., Wang, S. H.

ICML 2026 GenBio [Spotlight]