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？

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？

  • 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）；
  • 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；
  • 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；
  • 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 ✓ 正確答案

詳細解析

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。

出題年份：114 難度：★★☆