iPAS 考題解析在工業物聯網架構中，進行設備預測性維護（Predictive Maintenance）時，若面對異常事件發生頻率極低、樣本高度不平衡的時間序列資料，下列哪一種方法最能兼顧模型穩定性與異常偵測效能？

解析

正確答案：D. 採用基於重建誤差的自編碼器模型（Sequence-to-Sequence Autoencoder）進行異常偵測，並僅使用正常資料進行訓練

在異常事件極少的場景中，基於重建誤差的自編碼器只用正常資料訓練，學習正常模式的重建。當異常資料輸入時，因為模型未學過異常模式，重建誤差會顯著增大，藉此偵測異常。這種方法不需要平衡資料，穩定性高。

每個選項為什麼對或錯

• A 將每筆異常事件資料複製多次以提升模型對異常的辨識敏感度，搭配全序列訓練模型（如 LSTM）； 錯誤選項

  簡單複製異常樣本不會增加資訊多樣性，可能導致過擬合。

• B 對時間序列進行差分與標準化後，使用傳統監督式學習模型（如 SVM）進行分類訓練； 錯誤選項

  傳統 SVM 在高度不平衡的時間序列資料上效果不佳，且差分可能丟失重要的序列特徵。

• C 使用經過時間序列特化的 SMOTE 技術生成異常樣本，以平衡異常與正常資料比例； 錯誤選項

  SMOTE 在時間序列上生成合成樣本較困難，可能產生不合理的時序資料。

• D 採用基於重建誤差的自編碼器模型（Sequence-to-Sequence Autoencoder）進行異常偵測，並僅使用正常資料進行訓練 正解

  自編碼器僅用正常資料訓練，透過重建誤差偵測異常，最適合極度不平衡的場景。

答案、題目或解析有問題？回報這題

題目 © 經濟部產業發展署，AITerms.tw 僅作教學解析使用，本站解析以 CC BY-NC-SA 4.0 授權。