歐盟執委會發起ERA vs CORONA行動計畫，加速研發創新合作對抗COVID-19
歐盟執委會於2020年4月7日發起ERA vs CORONA行動計畫，透過歐洲研究區（European Research Area, ERA）全力支持歐洲科研合作、共享科學資訊，並給予歐洲研究團隊與企業充足的研發疫苗資金，用以對抗COVID-19。歐盟執委會已與各國達成共識，確認ERA vs CORONA行動計畫的10項優先行動：
- 協調各國研究與創新（Research and innovation, R&I）資金投入，專注研發新型冠狀病毒的疫苗與治療方法，加強創新合作模式以對抗疫情。
- 支持新型冠狀病毒患者的臨床管理，與歐盟大規模臨床實驗計畫。
- 將資金投入創新領域回應社會需求，關注疫情對社會經濟、醫療及資通訊技術應用、衛生系統及製造業的影響。
- 藉由Horizon 2020 增加對新創公司的研發財務支持；拓展歐洲創新委員會ePitching計畫（EIC ePitching），鼓勵公私夥伴共同尋求解決方案。
- 創造資金來源促進R&I行動，引導新創及中小企業申請國家及地方資金、私人基金會、投資歐洲計畫（Invest EU）等。
- 建立ERA Corona平台，提供研發資金相關的一站式服務，包括歐盟各國補助新型冠狀病毒R&I計畫的完整資訊。
- 設立新型冠狀病毒特設高階R&I工作小組，規劃歐盟中長期防疫措施。
- 加強研究基礎設施布建及跨國資料庫利用。
- 創建歐洲COVID-19研究資料共享平台 ，連接歐洲開放科學雲，允許快速共享研究資料及成果以加速研發、公平分享資訊。
- 舉辦泛歐黑客松（EU vs Virus）推動歐洲創新與社會交流。
本文為「經濟部產業技術司科技專案成果」
許祐寧
專案經理 編譯整理
美國總統川普於2019年5月依據「國際緊急經濟權力法」（International Emergency Economic Powers Act, IEEPA）之授權，訂定「保護資通訊技術與服務供應鏈安全」行政命令（Executive Order on Securing the Information and Communications Technology and Services Supply Chain）。目的係為避免因具有競爭關係之外國政府或機構，利用其設計、開發或製造之資通訊技術或相關服務之資安漏洞進行資料竊取或網路攻擊等行為。 川普總統認為，如未能對於相關之資通訊技術、產品或服務進行管制，將有提升美國資安風險之疑慮，進而對美國之國家安全、外交政策及經濟構成威脅，故應針對具有競爭關係之外國政府或機構所提供的相關資訊與通訊技術或服務，進行下列相關之措施： 禁止美國境內之相關單位（包含合夥、協會、信託等機構、合資企業、公司、集團或其他組織）取得、進口、轉讓、安裝、交易或使用具有資安風險而由競爭關係之外國政府或機構所擁有、控制、設計、開發、製造或供應的資通訊技術或服務。 授權由商務部長訂定具有競爭關係之外國政府或機構、資通訊技術或服務及上述禁止措施之相關認定標準及程序。 商務部長應與國務卿向國會提交本命令之經常性及最終報告；而國家情報總監及國土安全部，則應持續針對美國所面臨之相關風險威脅進行定期之識別與評估，並將評估內容提交予總統。
席丹於世足賽的驚世頭槌圖像被登記作為商標ㄧ位中國北京人士已將法國足球隊長席丹(Zinedine Zidane)於上月(七月)進行的世足賽冠軍戰中，以頭槌攻擊義大利隊球員馬特拉齊(Marco Materazzi)的圖像進行商標註冊。北京日報表示，申請人趙曉凱，是一間體育公關公司的總經理，目前考慮將這個黑白剪影圖像拍賣。曹先生以2,000元人民幣(250美元，196歐元，8,000台幣)註冊了服裝、鞋類、帽子以及啤酒產品之商標，並且準備以一百萬人民幣(125,000美元，98,000歐元、4,000,000台幣)的代價拍賣該等商標權。趙先生在受訪時表示，「在世界盃決賽後結束二天後，我就開始構思商標圖像。」。「這個圖像的識別率極高。此外，藉由使用剪影的創作方式，讓我可以避免侵犯這位足球明星的肖像權」。趙先生的公司只是眾多想利用這位球星的不光采行為而獲利的眾多公司之ㄧ。舉例而言，一首諷刺這記頭槌的歌曲目前高居法國音樂聊天室的排行榜首位。此外，這個犯規同時也成為許多網路笑話、線上遊戲以及諷刺影片的主題。
日本Spam對策研究會即將公布最終報告 合成資料（synthetic data）「合成資料」（synthetic data）的出現，是為了保護原始資料所可能帶有的隱私資料或機敏資料，或是因法規或現實之限制而無法取得或利用研究所需資料的情況下，透過統計學方法、深度學習、或自然語言處理等方式，讓電腦以「模擬」方式生成研究所需之「合成資料」並進行後續研究跟利用，透過這個方法，資料科學家可以在無侵犯隱私的疑慮下，使合成資料所訓練出來的分類模型（classifiers）不會比原始資料所訓練出來的分類模型差。 在合成資料的生成技術當中，最熱門的研究為運用「生成對抗網路」（Generative Adversarial Network, GAN）形成合成資料（亦有其他生成合成資料之方法），生成對抗網路透過兩組類神經網路「生成網路」（generator）與辨識網路（discriminator）對於不同真偽目標值之反覆交錯訓練之結果，使其中一組類神經網路可生成與原始資料極度近似但又不完全一樣之資料，也就是具高度複雜性與擬真性而可供研究運用之「合成資料」。 英國國防科技實驗室（Defense Science and Technology Laboratory, DSTL）於2020年8月12日發布「合成資料」技術報告，此技術報告為DSTL委託英國航太系統公司（BAE Systems）的應用智慧實驗室（Applied Intelligence Labs, AI Labs）執行「後勤科技調查」（Logistics Technology Investigations, LTI）計畫下「資料科學與分析」主題的工作項目之一，探討在隱私考量下（privacy-preserving）「合成資料」當今技術發展情形，並提供評估技術之標準與方法。 技術報告中指出，資料的種類多元且面向廣泛，包含數字、分類資訊、文字與地理空間資訊等，針對不同資料種類所適用之生成技術均有所不同，也因此對於以監督式學習、非監督式學習或是統計學方法生成之「合成資料」需要採取不同的質化或量化方式進行技術評估；報告指出，目前尚未有一種可通用不同種類資料的合成資料生成技術或技術評估方法，建議應配合研究資料種類選取合適的生成技術與評估方法。