看屋買房賣房和房仲情報站論文書籍站
國立陽明大學 神經科學研究所 吳仕煒所指導 楊勻硯的 既理性又不理性： 了解大腦如何做出理性和非理性的機率推論 （2015），提出COFC關鍵因素是什麼，來自於貝氏定理、決策、機率推論、理性與不理性。
而第二篇論文國立雲林科技大學 資訊管理系碩士班 許中川所指導 龔建豪的 結合距離學習演算法與階層樹分析混合型資料 （2012），提出因為有 監督式學習、非監督式學習、混合型資料分類、距離階層、視覺化的重點而找出了 COFC的解答。
COFC進入發燒排行的影片
既理性又不理性： 了解大腦如何做出理性和非理性的機率推論
為了解決COFC 的問題，作者楊勻硯 這樣論述：
在日常生活中,我們常常需要整合各式各樣確定和不確定的訊息來做出決策。 於資訊不充足的情境下,人們往往會評估所有可能發生結果的機率以做出決策, 如何整合不同來源的相關機率資訊並做出準確的機率評估是個重要的問題。本 研究探討人們如何整合過去知識與新進訊息並估計酬賞機率,並著重於兩種訊 息的可信度如何影響人們對於它們的權衡。於機率推論作業中,每一題受試者 會看到兩個視覺刺激,分別代表過去知識與新進訊息過去知識為受試者於前一 階段學習作業所建立,而新進訊息為酬賞機率相關的抽樣結果。為了要獲得最 多的酬賞,受試者需要整合兩種來源的訊息以做出準確的機率估計,並且根據 訊息的可信度不同,對於兩種訊息有不同
的權衡。行為結果顯示,當過去知識 可信度較高時,受試者會有基本率忽略(base-rate neglect),他們會低估過去知識 並高估新進訊息。而當過去知識可信度低時,受試者的訊息整合趨近理論預測。 為深入了解受試者主觀對於訊息的認知,透過另一個模型,直接探討受試者對 於過去知識與新進訊息的機率分配評估,結果顯示受試者並不是忽略過去知識, 而是較依賴新進訊息。功能性磁振造影結果顯示,central orbitofrontal cortex (cOFC) , anterior insula 與 visual cortex 表徵過去知識的不確定性,而 medial prefrontal corte
x (mPFC) 與 medial orbitofrontal cortex (mOFC) 表徵新進訊息的不 確定性。另外, cOFC 和 vmPFC 亦表徵受試者的訊息權衡,隨著受試者對於兩 種訊息權重的不同而改變。我們並進一步發現 cOFC 反映了受到訊息可信度影 響的「主觀」訊息權衡和進行機率推論時能力的侷限,其神經機制可能為 OFC和 visual cortex 的功能性連結下降,使受試者主觀對於過去訊息的權衡減少
結合距離學習演算法與階層樹分析混合型資料
為了解決COFC 的問題，作者龔建豪 這樣論述：
資料分析技術是將資料透過有效的方法萃取成有價值的資訊。絕大部份的資料分析技術假設資料的型態為單一類型，也就是資料的型態為全數值型或全種類型。然而，真實世界中資料多半是由數值型資料和種類型資料組合而成，這樣的混合型資料在分析上存在一定的困難度。我們透過DISC、COFC 和 DILCA重新定義種類型資料，轉換成距離的數值型資料，使資料型態統一。並且透過階層演算法建立階層樹，透過樹的結構來表達資料之間的關係，並以傳統的資料型態轉換方法比較。由於DILCA無法處理混合型資料，於是我們進一步改良DILCA，將DISC處理數值型資料的流程整合於DILCA並且命名DCUL。不僅如此，我們再進一步修改DC
UL萃取資訊的角度，並且命名為mDCUL。最後使用GMixSOM投射結果進行評估。DCUL、mDCUL、COFC和DISC都優於傳統方法，進一步分析發現其中DISC、DCUL和mDCUL在投射後與神經元的評分誤差及量化誤差皆較小，而COFC在神經元亂度測量中較低，表示其分類績效較佳。原因是相較於DISC、DCUL及mDCUL，COFC屬於監督式學習。此外，在萃取資訊角度的調整後，mDCUL整體績效優於DCUL。