iPAS 考題解析
若部署一個深度學習模型至金融風控系統，該模型採用鑑別式架構（如Transformer Classifier）。然而上線後，模型對新樣本的分類錯誤率顯著上升，經檢查發現，輸入資料分佈已與原訓練集明顯不同。針對此情形，下列哪一種應對策略最為適合？
中級 人工智慧技術應用與規劃
難度：中等 ★★☆ 114 年考題
考試範圍定位
- 考試等級
- 中級能力鑑定
- 考試科目
- AI 技術應用與規劃
- 知識主題
- AI 相關技術應用
- 能力指標
- 自然語言處理技術與應用（L21101）
本題屬於 iPAS AI 應用規劃師中級能力鑑定「AI 技術應用與規劃」科目中的「AI 相關技術應用」範疇， 對應的能力指標為「自然語言處理技術與應用」，涵蓋NLP、文本分類、情感分析、NER、機器翻譯等核心知識點。 考生在準備這個範疇時，需要掌握相關的理論基礎與實務應用。
題目與選項
若部署一個深度學習模型至金融風控系統，該模型採用鑑別式架構（如Transformer Classifier）。然而上線後，模型對新樣本的分類錯誤率顯著上升，經檢查發現，輸入資料分佈已與原訓練集明顯不同。針對此情形，下列哪一種應對策略最為適合？
- A. 改用生成對抗網路（GAN）生成新樣本並混入訓練集
- B. 改用邏輯迴歸模型（Logistic Regression）以提升穩定性
- C. 增加模型容量（Model Capacity），以學習更多樣本差異
- D. 使用變分自編碼器（VAE）監控潛在空間分佈，偵測輸入資料偏移 ✓ 正確答案
詳細解析
正確答案：D. 使用變分自編碼器（VAE）監控潛在空間分佈，偵測輸入資料偏移
VAE可以學習訓練資料的潛在分佈，在推論時將新輸入映射到潛在空間後，透過重建誤差或潛在變數統計特性偵測輸入分佈的偏移，作為資料漂移的監控工具，幫助提前預警。
各選項逐一解析
理解每個選項為什麼對或錯，是真正掌握這個知識點的關鍵。以下逐一分析每個選項的含義與判斷依據。
A. 改用生成對抗網路（GAN）生成新樣本並混入訓練集 （不正確）
GAN生成樣本可補充訓練資料，但無法主動偵測上線後的資料分佈偏移。
B. 改用邏輯迴歸模型（Logistic Regression）以提升穩定性 （不正確）
改用邏輯迴歸不能解決資料漂移問題，且通常效能更差。
C. 增加模型容量（Model Capacity），以學習更多樣本差異 （不正確）
增加模型容量可能加劇在偏移資料上的過擬合，不是正確策略。
D. 使用變分自編碼器（VAE）監控潛在空間分佈，偵測輸入資料偏移 （正確）
VAE可作為分佈偵測工具，透過潛在空間分析識別輸入資料是否偏離訓練分佈。
延伸學習
本題尚未連結特定術語，你可以從以下常見主題開始探索相關知識。
中等題備考建議
- ▶ 本題屬於中等難度，需要理解概念之間的關聯與應用情境，不能只靠死背定義。
- ▶ 中等難度的題目常考「為什麼」和「怎麼用」，建議整理各技術的優缺點比較表。
- ▶ 練習時注意錯誤選項的陷阱設計，很多時候錯誤選項只有一兩個字的差異，需要仔細辨別。
- ▶ 建議用「費曼學習法」，嘗試向別人解釋這道題的解題思路，能講清楚就代表真正理解了。
同主題考題練習
以下題目與本題屬於相同的考試範疇，建議一併練習以加強對該主題的掌握程度。
某金融科技公司欲導入AI模型協助客服郵件自動分類（投訴、詢問、表揚）。團隊同時考慮兩種模型設計：方案A（生成式路徑）：採用VAE建構潛在語意空間，再結合下游分類器進行標籤預測；方案B（鑑別式路徑）：採用BERT Classifier直接根據輸入文本進行監督式分類。現有標註資料約2,000筆，資料分佈均勻但擴充成本高。若團隊希望公平比較兩種模型的資料利用效率與泛化能力，下列哪一種實驗設計最能突顯兩者的本質差異？
中級 人工智慧技術應用與規劃 難度 ★★☆ 114 年
GAN 的 Mode Collapse 問題可用什麼方法解決？
中級 人工智慧技術應用與規劃 難度 ★★★
無預定義使用者類型的客戶分群，應使用什麼演算法？
中級 人工智慧技術應用與規劃 難度 ★★★
iPAS AI 應用規劃師認證簡介
iPAS AI 應用規劃師能力鑑定是經濟部產業發展署推動的國家級 AI 證照制度， 分為「初級」與「中級」兩個等級。初級考試包含「人工智慧基礎概論」和「生成式 AI 應用與規劃」兩個科目， 著重基本概念的理解與應用。中級考試涵蓋「AI 技術應用與規劃」「大數據處理分析與應用」「機器學習技術與應用」三個科目， 要求考生具備更深入的技術知識與實務能力。 本題來自中級考試範圍，需要具備紮實的技術基礎才能正確作答。
開始準備 iPAS 考試
本題來自 114 年 AI 應用規劃師中級考試。 想通過 iPAS 認證？從完整題庫練習開始，搭配術語詞典與備考攻略，系統化提升你的 AI 知識。