Competitions

進行中的競賽
Hide All

進行中
開始
4/12/2021 6/18/2021
結束
23 萬元(NTD) TOTAL REWARD
468
TEAMS

你,識字嗎?-中文手寫影像辨識

在銀行業務中有各式重要手寫單據,但能想像光單一種類單據的人工登打,每日就會耗費21個人力小時!

現在我們要尋找影像辨識的好手,透過深度學習自動辨識圖片中的文字,以大幅降低人力處理重複性作業的成本。本次競賽將提供參賽者手寫中文字圖檔,透過CV演算法,只要能精準辨識圖片內手寫文字,就有機會獲得高額獎金! 

各位參賽者,你,識字嗎?玉山人工智慧公開挑戰賽2021夏季賽,等你來挑戰!

競賽將以「模型訓練(2021/04/12 – 2021/06/14)」、「線上對決 – 模型準度爭霸戰(測試賽:2021/05/24 – 2021/05/26,正式賽:2021/06/15 – 2021/06/18)」兩階段進行。

「模型訓練」階段進行方式如下:

  1. 參賽隊伍於T-Brain平台上註冊比賽(請各隊隊長妥善保存收到的手機簡訊驗證碼,將作為模型準度爭霸戰階段使用之驗證資料)。
  2. 參賽隊伍於 T-Brain 平台Dataset Download區下載訓練資料集,主辦單位將提供手寫圖片資料集,為模擬真實情境,訓練資料集的檔名不一定為該圖片中正確的label,請參賽者務必做資料清理。
  3. 參賽隊伍須加入玉山人工公開智慧挑戰賽Slack Workspace社群,掌握競賽第一手資訊(請參閱Dataset Download區:Slack Workspace連結)。
  4. 開始模型訓練!
  5. 參賽隊伍須提供RESTful API Server並將模型部署於此API Server,並以API服務形式供「線上對決 – 模型準度爭霸戰」使用(請參閱Dataset Download區:API開發說明文件)。
  6. API驗證期間(2021/05/10 - 2021/06/18)請透過 Slack 與 E.SUN bot 對話進行 API 驗證。
    註1:請務必於 Slack 進行驗證,才能於測試賽與正式賽進行答題。
    註2:測試賽與正式賽期間,主辦方系統皆會以每日發題前「最後一次驗證且成功」之 API URL做為隊伍的 API URL,故於比賽日期間,仍可於每日發題前認證 API。
  7. 需注意,各隊伍最後一次測試成功的URL將自動做為「線上對決 – 模型準度爭霸戰」認定之API Endpoint( 請參閱Dataset Download區:API開發說明文件)。

 

「線上對決 – 模型準度爭霸戰」階段進行方式如下:
前置作業:參賽者須將「模型訓練」階段產出之模型打包成API並部署於API Server並完成驗證測試。

  1. 爭霸戰為期七天,包含三天測試賽(2021/05/24-2021/05/26),與四天正式賽(2021/06/15- 2021/06/18),並將於每天的18:00舉行。測試賽會提供分數但不計入最終計分。
  2. 主辦單位將會使用HTTP Request方式驗證參賽者模型成效,每日多輪提問,每輪一題,提問步驟如下: 
    1. 每輪提問一個Inference API呼叫。
    2. 主辦單位將發送HTTP request(POST 方法)提供題目(Inference),參賽者API需回傳模型運算結果,timeout時間為1秒。題目與回傳的資料格式請詳見Dataset Download區:API開發說明文件。
  3. 若參賽者API Server無回應,主辦方會嘗試重新呼叫,每輪提供題目皆最多呼叫3次,若無回應或逾時則該輪以0分計算。
  4. 將以模型辨識中文字的準確度作為積分(詳見下方評分方式),並於每日24:00前於活動Slack(channel # 公告區)公布當日累積積分排名,每日加總後積分為最終排名依據。
  5. 最終名次將於2021/06/25公布。

以下頁面內說明為「你,識字嗎? - 中文手寫影像辨識」之競賽細節:

 


預測說明

  • 辨識圖檔中文字內容。
  • 所有文字皆須回覆「繁體字」。
  • 在正式賽的題目中,若該圖片中文字未存在於主辦單位提供之「training data dic」,請以string格式回覆"isnull"。亦即,若該題目圖檔中文字為「陳」,但該文字未出現在「training data dic」中,回覆「陳」則該題答錯,須回傳"isnull"。(請參閱Dataset Download區:training data dic )。
  • 訓練資料集中的檔名不一定為該圖片中的正確label,請參賽者務必做資料清理。
(More)

距離比賽結束

進行中
開始
4/14/2021 6/17/2021
結束
20 萬元(NTD) TOTAL REWARD
249
TEAMS
現今生活的周遭處處可見各式各樣的招牌、路牌、看板、標語與廣告等,隨時隨地傳遞豐富的文字訊息給大街小巷中的人們。當在街上拍攝照片或錄影時,畫面中所包含的文字內容提供了該場景相當可靠的資訊。若能自動地將場景畫面中的文字辨識出來,對於包括場景理解、智慧城市/交通發展、機器人技術、自動駕駛、協助視障者或外來旅者等應用都能有所幫助。場景文字辨識實為人工智慧與電腦視覺的綜合議題,具有相當的挑戰。我們希望透過本次競賽,促進國內於場景文字辨識相關領域的技術發展,增進台灣人工智慧技術的實力。

場景文字檢測通常為場景文字辨識的前置步驟,即由畫面的像素中判斷文字出現的位置,以利後續針對該位置辨識可能的文字內容。場景文字檢測直接影響了文字辨識的準確度,本次賽事目標即為定位畫面中肉眼可識的文字位置。場景文字檢測受到許多因素所影響,包括場景中可能出現的多型態文字、多國文字、傾斜招牌文字、不同尺寸文字、外物遮蔽、類文字圖案紋理干擾、光線與陰影等。本賽事的目標場景為台灣市區街景,期望參賽者利用機器學習/深度學習技術,嘗試與開發適當的模型,以確偵測台灣街景畫面中的文字區域。
(More)

距離比賽結束

進行中
開始
5/10/2021 7/17/2021
結束
100 萬元(NTD) TOTAL REWARD
147
TEAMS

居家環境中有許多不同類型的聲音,舉凡吸塵器、警報器、門鈴、電視聲等,充斥著我們的生活。由 Tomofun 所開發的 Furbo 狗狗攝影機,結合攝影機、丟零食互動、AI 智慧通知三大功能,成為狗狗的專屬保姆。Furbo 已經在全球成功拯救了超過 1000 隻狗狗的生命,包括避免狗狗誤食、通知家中發生火災、還有通知有陌生人闖入家裡等,以此保護狗狗的安全。AI 產品落地對各家公司來說一直是艱難的考驗,Tomofun 秉持著 “bring joy and innovation to every pet lover in the world” 的精神,開發出 AI 智慧通知功能,第一時間通知主人家中可能發生的狀況,即時掌握毛孩的狀態。

Tomofun 為了致力於讓 Furbo 提供更好的 AI 服務,舉辦了「Tomofun 狗音辨識 AI 百萬挑戰賽」。在本次競賽當中,我們將提供居家環境中可能會發生的聲音,並請參賽者做出居家環境音的識別,藉此讓每個毛小孩家庭更加安全又安心。 本次競賽共包含兩場賽事,分別為「初賽 」和「決賽」。

  • 初賽: 2021/05/10 – 2021/06/10 期間於 T-Brain 平台上傳分類結果,將以預測的分數作為排名依據,並根據繳交的報告,公布晉級決賽之隊伍。
  • 決賽: 2021/07/17 於南港展覽館一館 5 樓 504 會議室現場進行,將模擬 AI 服務落地的方式舉辦賽事,當天獲得優異成績之隊伍,就有機會獲得高額獎金。
(More)

距離比賽結束

即將開始的的競賽
Hide All

已結束的競賽
Show All

已結束
開始
12/1/2020 1/6/2021
結束
0 萬元(NTD) TOTAL REWARD
148
TEAMS

如何設計一個系統,能自動閱讀論文摘要後,標註並統整論文裡所涉及的演算法? 鑑於當今電腦科學的發展日新月異,演算法的更迭與演進以爆炸式的成長,歸納及統整這些演算法所需的人力將不復以往,而爬梳相關文獻所需的時間也往往讓研究者們深感無力。因此,讓機器自動梳理這些不斷推陳出新的演算法,將會是無可避免的嘗試。即便在人力可負擔的情形下,讓機器自動統整相關演算法,將可以讓研究者騰出時間做更有意義的事。

在本系列的競賽中,我們將嘗試以語意分析的技術解決一個令電腦科學研究者頭痛已久的問題:「如何設計一個能自動閱讀論文摘要,標注並統整論文中所發明、使用或用來比較的演算法的系統」。

 

競賽任務 [機器閱讀紀錄-課程挑戰賽]:

從arXiv的電腦科學相關論文摘要,預測出摘要所屬的類別(Theoretical Paper, Engineering Paper, Empirical Paper, Others)。需注意的是摘要可以有多個分類,例如: 摘要可以同時是Theoretical Paper和Engineering Paper。


(More)
已結束
開始
6/1/2020 8/7/2020
結束
23 萬元(NTD) TOTAL REWARD
409
TEAMS

Gotcha!人人都可以是反洗錢大師!

洗錢是指將犯罪不法所得,以各種手段掩飾、隱匿而使犯罪所得在形式上合法化的行為。近年來因國際洗錢與資助恐怖活動事件頻傳,國內吸金、電信詐騙案件也層出不窮,使得政府與各產業皆致力於洗錢防制(AML)工作。

一般來說,顧客與金融機構往來時,銀行需即時確認顧客身份,透過自動化系統比對出顧客是否列於AML焦點人物名單中。若能透過AI的協助定期更新AML焦點人物名單,並搭配自動化比對,將可大幅降低銀行執行AML作業的人力與時間成本。 

本次競賽將提供參賽者公開新聞資料連結與相對應的焦點人物名單,希望大家集思廣益,透過NLP演算法,精準找出AML相關新聞焦點人物,不僅能協助優化AML焦點人物名單的更新作業,更有機會獲得高額獎金!

競賽將以「模型訓練( 2020/06/01 – 2020/07/22 )」、「線上對決 – 模型準度爭霸戰( 2020/07/22 – 2020/08/07 )」兩階段進行。

「模型訓練」進行方式如下:

  1. 參賽隊伍於T-Brain平台上註冊比賽(請各隊隊長妥善保存收到的手機簡訊驗證碼,將作為模型準度爭霸戰階段使用之驗證資料)
  2. 參賽隊伍於 T-Brain 平台Dataset Download區下載訓練資料集,主辦單位提供新聞連結與該新聞對應的焦點人物名單,參賽隊伍需自行實作爬蟲程式 (Crawler)獲取新聞內文。
  3. 參賽隊伍須加入玉山人工智慧挑戰賽Slack Workspace社群,掌握競賽第一手資訊(請參閱Dataset Download區:Slack Workspace連結)。
  4. 開始模型訓練!
  5. 參賽隊伍須提供RESTful API Server並將模型部署於此API Server,並以API服務形式供「線上對決 – 模型準度爭霸戰」使用(請參閱Dataset Download區:API開發說明文件)。
  6. API測試期間(2020/07/1 - 2020/07/22)請於活動Slack上提供API URL與 E.SUN bot進行API測試。
  7. 需注意,各隊伍最後一次測試成功的URL將自動做為「線上對決 – 模型準度爭霸戰」認定之API Endpoint(請參閱Dataset Download區:API開發說明文件)。

 

「線上對決 – 模型準度爭霸戰」階段進行方式如下:
前置作業:參賽者須將「模型訓練」階段產出之模型打包成API並部署於API Server即完成驗證測試。

  1. 爭霸戰為期九天,包含一天測試賽(2020/07/22),與八天正式賽(2020/07/27 - 2020/07/30及2020/08/03 - 2020/08/06),並將於每天的18:00舉行。測試賽會提供分數但不計入最終計分。
  2. 主辦單位將會使用HTTP Request方式驗證參賽者模型成效,每日多輪提問,每輪一題,提問步驟如下: 
    1. 每輪提問包含一個Health Check API呼叫及一個Inference API呼叫。
    2. 主辦單位將以HTTP POST發送request呼叫參賽者的API Server進行健康狀態檢查(Health Check),當參賽者API Server收到呼叫後請立刻回傳response(Status Code:200)以表示API服務正常,timeout時間為1秒,若API Server未能於1秒內回應,則參賽隊伍之 API server 將被視為無法提供 API 服務。
    3. 主辦單位收到參賽者回傳Health Check response 後,將立即發送第二個HTTP request(POST 方法)提供題目(Inference),參賽者API需回傳模型運算結果,timeout時間為5秒。題目與回傳的資料格式請詳見Dataset Download區:API開發說明文件。
    4. 若參賽者API Server無回應,主辦方會嘗試重新呼叫,每輪健康狀態檢查與提供題目皆最多呼叫3次,若皆無回應或逾時則該輪以0分計算。需注意,若健康狀態檢查失敗則不會提供題目,該輪直接以0分計算,並繼續下一輪提問。
  3. 將以模型擷取之名單準確度作為積分(詳見下方評分方式),並於每日24:00前於活動Slack(channel # 公告區)公布當日累積積分排名,每日加總後積分為最終排名依據。
  4. 最終名次將於 2020/8/22公布。

下頁面內說明為「Gotcha!我抓得住你 - AML焦點人物辨識」之競賽細節:

 


預測說明

  • 判斷該新聞內文是否含有AML相關焦點人物,並擷取出焦點人物名單(名單有可能為複數或為空)。
(More)
已結束
開始
12/15/2019 1/15/2020
結束
23 萬元(NTD) TOTAL REWARD
1366
TEAMS
一卡在手,妙用無窮!
在台灣,20歲以上持有信用卡人數超過六成。因信用卡具備高回饋、延遲付款以及付款便利等特性,使得信用卡成為人們支付時不可或缺的工具。不過隨著科技的日新月異,不肖分子也針對此支付模式衍生出新的犯罪手法,即「信用卡盜刷」。

面對盜刷,一般民眾除了可以透過經常對帳、防止卡片資訊外洩等方式來避免外,國內外銀行及發卡組織近年也開始運用機器學習演算法找出潛在的盜刷交易,並及早因應。然而,盜刷的樣態千百種,到底什麼才是足以判斷為盜刷的關鍵因子呢? 

本次競賽提供去識別信用卡交易授權資料,希望大家集思廣益,一同「反盜刷」!不僅捍衛自己的資產,守護身邊親友的財富,更有機會獲得高額獎金!

本次競賽共包含兩場獨立賽事,分別為「線上對決–模型準度爭霸戰」與「正面交鋒–創意做法擂台戰」。「線上對決–模型準度爭霸戰」為2019/09/06 – 2019/11/22於T-Brain平台上傳預測結果的競賽,將以預測準確度為排名依據,爭取最高12萬元的獎金;「正面交鋒–創意做法擂台戰」將於頒獎典禮當天舉行,獲獎資格為曾於「線上對決–模型準度爭霸戰」上傳成功且「非前六名」得獎的參賽者,每一獎項皆有新台幣5,000(含)元以上獎金,獲獎機率高達20%,只要您願意分享您的建模做法,就有機會將獎項抱回家!

以下頁面內所有說明為「線上對決–模型準度爭霸戰」之競賽細節,「正面交鋒–創意做法擂台戰」之進行內容、方式與報名連結,敬請參賽者密切注意主辦單位相關公告與通知。

 


預測說明

  • 預測該筆交易是否為盜刷交易
(More)
已結束
開始
9/16/2019 12/30/2019
結束
35 萬元(NTD) TOTAL REWARD
420
TEAMS

Click here to DOWNLOAD competition description English version

如何設計一個系統,能自動閱讀論文摘要後,標註並統整論文裡所涉及的演算法? 鑑於當今電腦科學的發展日新月異,演算法的更迭與演進以爆炸式的成長,歸納及統整這些演算法所需的人力將不復以往,而爬梳相關文獻所需的時間也往往讓研究者們深感無力。因此,讓機器自動梳理這些不斷推陳出新的演算法,將會是無可避免的嘗試。即便在人力可負擔的情形下,讓機器自動統整相關演算法,將可以讓研究者騰出時間做更有意義的事。

在本系列的競賽中,我們將嘗試以語意分析的技術解決一個令電腦科學研究者頭痛已久的問題:「如何設計一個能自動閱讀論文摘要,標注並統整論文中所發明、使用或用來比較的演算法的系統」。

 

競賽任務2 [論文分類競賽]:

從arXiv的電腦科學相關論文摘要,預測出摘要所屬的類別(Theoretical Paper, Engineering Paper, Empirical Paper, Others)。需注意的是摘要可以有多個分類,例如: 摘要可以同時是Theoretical Paper和Engineering Paper。

(More)
已結束
開始
9/16/2019 12/30/2019
結束
35 萬元(NTD) TOTAL REWARD
469
TEAMS

Click here to DOWNLOAD competition description English version

如何設計一個系統,能自動閱讀論文摘要後,標註並統整論文裡所涉及的演算法? 鑑於當今電腦科學的發展日新月異,演算法的更迭與演進以爆炸式的成長,歸納及統整這些演算法所需的人力將不復以往,而爬梳相關文獻所需的時間也往往讓研究者們深感無力。因此,讓機器自動梳理這些不斷推陳出新的演算法,將會是無可避免的嘗試。即便在人力可負擔的情形下,讓機器自動統整相關演算法,將可以讓研究者騰出時間做更有意義的事。

在本系列的競賽中,我們將嘗試以語意分析的技術解決一個令電腦科學研究者頭痛已久的問題:「如何設計一個能自動閱讀論文摘要,標注並統整論文中所發明、使用或用來比較的演算法的系統」。

 

競賽任務1[論文標註競賽]:

我們將提供arXiv上電腦科學相關的論文摘要,參賽者需要使用這份資料預測論文中每個句子的分類(Background、Objectives、Methods、Results、Conclusions、Others)。需要注意的是句子可以有多個分類,例如:一個句子可以同時是Objective和Methods。

(More)
已結束
開始
9/11/2019 10/6/2019
結束
45 萬元(NTD) TOTAL REWARD
244
TEAMS

    在保險業中,每個王牌業務員都有自己的一套銷售手法與良好的客戶關係經營。透過了解客戶需求,為客戶保單健檢,最後客制化出客戶想要保單組合,一步一步都是透過經驗的累積,才能夠行雲流水地成功推銷公司的保單。那麼客戶會願意購買保單,是業務員靠銷售手法創造出來的,還是客戶本身保險需求被挖掘出來的呢?事實上一次成功的保單交易,兩者缺一不可。

    本次比賽的主要目的就是:「以現今機器學習的技術,挖掘出保險需求可能較高的客戶,並提供精準的銷售名單給業務員。」讓業務員可以花時間去經營、銷售較容易購買保險的客戶,把時間花在刀口上,去創造客戶對於保單的需求。

 


預測目標說明

在保險業中,客戶購買保單之行為模式相對複雜,本次競賽著重於單一險種,將預測在某一個時間點,公司既有客戶在未來三個月內是否會購買重疾險保單,為經典的二元分類問題。本競賽提供某年客戶特徵與購買商品之擬真資料,希望考驗參賽團隊進行資料分析以及創意發想,進而建立精準預測之客戶購買模型。

(More)
已結束
開始
5/6/2019 7/21/2019
結束
23 萬元(NTD) TOTAL REWARD
1330
TEAMS

吃米要知米價,但身處在台灣各地的你真的知道房價嗎?
不知道也沒關係!一起透過比賽來了解吧!

購買屬於自己的房子,是我們一生中的大事,評估房子的好壞,不僅要考慮房子的大小、屋齡,甚至連附近的生活機能和未來發展性都是一大考量因素。然而在眾多的考量中,什麼才是影響房價高低至關重要的因素呢?

為了讓大家找出影響房價的潛在因子,本次比賽提供公開資訊及部分行內估價資料,希望大家集思廣益,結合AI力量、發揮見微知著的精神,一起朝一流的估價師邁進吧!


預測商品說明

  • 不動產(RE):預測不動產總價
(More)
已結束
開始
1/2/2019 3/14/2019
結束
23 萬元(NTD) TOTAL REWARD
1121
TEAMS

對於每間企業而言,顧客的喜好及購買行為一直都是企業關注的議題。而投放的行銷是否有效益,顧客會不會以購買表示支持,也是企業經營的重要生存關鍵。
在科技化的時代,人們習慣用網路瀏覽來探索商品,因此每間企業都努力的在網站上吸引顧客的眼球,期待顧客的買單,但顧客究竟會不會買單,傳統上我們只能事後得知。因此我們就在想,有沒有辦法透過模型進而預測顧客的購買行為呢?
本次比賽提供顧客在玉山官網上120天的瀏覽行為、基本屬性及交易/申請的去識別化行為資料,希望結合群眾智慧,預測顧客在之後的30天與玉山有哪些金融商品的往來。



預測商品說明

  • 信用卡(CC):預測顧客是否申辦信用卡,不論後續是否核卡成功
  • 信託類產品(WM):預測顧客是否以單筆/定期定額的方式,進行信託類產品(包括基金、債券、股票、ETF…)的申購/轉換

【註:申購定期定額基金只會顯示最早申購及轉換的時點,若後面月份只是持續扣款則不會出現在TBN_WM_TXN資料表當中】

  • 信貸(LN):預測顧客是否進件,不論後續是否申貸成功
  • 外匯(FX):預測顧客是否以台幣購買外幣

(More)
已結束
開始
11/5/2018 12/21/2018
結束
20 萬元(NTD) TOTAL REWARD
733
TEAMS
旅行團成行與否取決於是否有足夠量的訂單成立,並且未被取消。但為了保留足夠的彈性維護消費者的權益,現行旅行商品的預約方式不論對客戶與服務提供的廠商(旅行社)一直都存在一個困擾,亦即大量的訂單中有不少訂單最終會被取消。因此,如何能在接到訂單的同時準確的預測該筆訂單是否最終會成行,將可大幅度地降低旅行社的成本,同時也可讓旅行社提供更優質的服務。

本次比賽主要目的是透過旅行社訂單的資料來預測該筆訂單最終是否成行。結合該筆訂單的訂單來源、該訂單所欲購買的旅行商品基本資訊,預測該筆訂單成行的機率。
(More)
已結束
開始
7/23/2018 9/14/2018
結束
20 萬元(NTD) TOTAL REWARD
495
TEAMS

開發新客戶所需要的成本是維護既有客戶的5倍,因此既有客戶的續約金額是企業重要的獲利指標。而掌握影響客戶續約或流失的關鍵,自然成為企業經營的重要課題。

保險商品的規格較複雜,通常無法直接判斷商品好壞。且個別客戶因實際事件而獲得賠償的頻次不一,因此購買之後也不一定有機會親身體驗商品價值。那到底什麼才是既有客戶續購保險商品的關鍵?在此,我們提供跨國產險公司近一年的客戶特徵與續約金額狀況,希望集合各位參賽者的智慧,找出有效預測既有客戶的續約金額模型或方法。

(More)
已結束
開始
4/3/2018 6/22/2018
結束
20 萬元(NTD) TOTAL REWARD
487
TEAMS

股價是否能被預測, 一直存在著正反兩派的觀點。有效市場派認為股價波動是隨機遊走而無法預測下一步會怎麼走, 往那個方向走。然而有效市假說似乎又與現實相悖, 許多研究顯示短期股價的相關性並不為零, 會有動量的存在, 而這是趨勢投資的基石。

因此我們提供參賽者 台灣上市/櫃公司近五年來的歷史每日股價(開盤,最高,最低,收盤)及成交量,希望能集合各位參賽者的智慧來找出預測股價的模型與方法。

參賽者依主辦單位所提供台灣上市/櫃近五年來的歷史每日股價(名目股價與調整股價)及成交量來預測台灣十八檔上市櫃成分證券ETF在下一週五天的漲跌及價格。


標的物

 

  • 國內上市櫃成分證券ETF
    • 共18檔ETF (排除正向2倍或反向ETF)

 

(More)
已結束
開始
1/22/2018 3/23/2018
結束
20 萬元(NTD) TOTAL REWARD
424
TEAMS

惡意程式偵測 (Malware Detection) 一直是資訊安全 (Cyber Security) 十分重要的一個環節,如果能有效偵測出家庭網路或企業網路中的惡意程式,並在程式進行惡意行為之前就阻擋及移除,就可以有效保護使用者的電腦及個人資料等資訊環境的安全。最傳統的防毒 (Antivirus) 是透過惡意程式中特定的程式區塊 (Signature) 來判斷惡意程式,需要資安專家來對惡意程式進行大量分析。最近因為機器學習 (Machine Learning) 的發展,使用機器學習來偵測病毒也成為防毒軟體必備的功能了。

然而傳統方式跟機器學習都需要對惡意程式的原始檔案進行掃描跟分析,當檔案數量及檔案大小很大的時候,就要花費較高的運算資源。所以要善用其他資訊來預判一個檔案的可疑程度,來降低掃描檔案實際所需要運算資源。本次競賽就是希望在不使用原始檔案 (file agnostic) 的情況下,以使用者電腦發現可疑檔案的紀錄,來判斷一個程式是不是惡意程式。

(More)
Loading . . .