走在汽車革命的路上論文書籍站
國立中正大學 資訊工程研究所 張榮貴所指導 李佳穎的 基於人工智慧之中文故事生成 後處理系統 （2020），提出Fine tune 作法關鍵因素是什麼，來自於自然語言處理、文本生成、人物關係圖、量詞。
而第二篇論文國立臺中教育大學 資訊工程學系 黃國展所指導 張智淵的 對手模型在電腦暗棋對局程式上效益之研究 （2020），提出因為有 暗棋、最小最大樹搜尋法、阿爾發-貝塔剪枝法、對手模型的重點而找出了 Fine tune 作法的解答。
基於人工智慧之中文故事生成 後處理系統
為了解決Fine tune 作法 的問題，作者李佳穎 這樣論述：
隨著近年來硬體技術的進步，人工智慧的技術得以有足夠的運算能力進行計算，經深度學習的方式進行大量運算後，在影像處理、自然語言處理等多個領域上都有很好的成效。由於語言的複雜性，在近幾年也提出了許多新的模型架構，使模型可以理解、使用人類語言。雖然這些新的架構學習效果在不同的任務下表現優異，但仍會礙於模型能學習的特徵有限的條件下，即使能夠生成順暢的語句，但對於如人物關係等特徵仍無法很有效的學習。且也因模型以關注前面的詞進行生成，當生成時遇到如量詞這種須關注後面的詞才能正確預測並生成的狀況下，會導致生成的詞不恰當，進而影響後續詞的生成。故本論文基於控制生成詞性排序的生成語言模型，分別對人物打鬥關係與量
詞設計不同的機制進行修正，其中人物打鬥關係使用了統計的方式進行計算並建立成有向圖；而量詞採用了傳統的分類模型one-against-all SVM(Support Vector Machine)訓練。對於生成句子中詞性與排序不符的地方利用Fasttext與BERT Fine-tune兩種不同的模型，並設計不同的機制分別做調整，使生成句子的詞性排序與指定的詞性排序完全一致。
對手模型在電腦暗棋對局程式上效益之研究
為了解決Fine tune 作法 的問題，作者張智淵 這樣論述：
電腦對局是人工智慧領域非常重要的一門學問，其中雙人對局遊戲的研究中也已經有很長的一段時間。一般而言，電腦程式通常是以遊戲樹搜尋的概念來處理雙人對局，從最早的最小最大樹搜尋法到阿爾發-貝塔剪枝法，再到蒙地卡羅樹搜尋法。我們在本篇論文中探討如何將對手模型運用在採最小最大樹搜尋法的暗棋程式上。在之前的研究中，對手模型曾被引入遊戲Bao的電腦程式，然而和Bao不同的是暗棋多了翻棋的隨機因素，所以探討對手模型在暗棋中的效益是值得進行的研究。我們的對手模型研究大致可以分為兩個部分，在第一部分中我們將先前文獻中的對手模型搜尋法導入暗棋程式中，並得到了正面的結果。對手模型確實能增加暗棋程式的勝率，但是由於
暗棋中含有隨機的特性，因此若等到所有蓋著的棋子都翻開後再導入對手模型會得到更佳的結果。在第二部分的研究中，我們提出了一個新的對手模型建立及運用方法。我們利用對手模型的資訊在進行最小最大樹搜尋時加上分枝限縮的作法。和原本的對手模型運用方式相比，分枝限縮有效地減少了搜尋所需時間，所節省下來的時間可被用來增加搜尋深度以提升程式的棋力。實驗結果顯示我們的新方法對於增強暗棋程式是有效的，並且在實際的對戰中有擊敗文獻上原本對手模型搜尋法的潛能。