本專題以 Graph Laplacian 與Spectral Clustering為核心方法，探討如何利用圖論捕捉資料內在結構，並將其應用於多種情境。首先，我們以 Stanford Bunny 為例，使用考量各式因素並提升精度的資料視角，透過鄰接關係與 Gaussian 相似度構成權重圖，成功對 3D 幾何模型進行區域分割。接著，我們將相同方法用於台北捷運票價資料，發現票價可有效反映實際地理距離，並從分群結果觀察到台北逐漸由單核心向多核心都市發展的跡象。最後，我們初步將方法應用於腦瘤影像分群，展示以圖論模型進行 3D 醫療分割的可行性與未來發展潛力。

• 書面報告

• 3分鐘簡介影片

• 研討會15分鐘報告影片