滑動視窗 是什麼？
Sliding Window：滑動視窗 的完整解釋
在序列資料上以固定大小的視窗逐步滑動取樣的技術，廣泛用於時間序列分析、NLP 和語音處理。
滑動視窗技術的核心直覺是：序列資料中的局部模式往往比全局模式更容易學習和識別，而且局部模式在序列的不同位置可能重複出現（平移不變性）。透過滑動視窗，演算法能系統性地掃描整個序列的每一個局部片段，提取特徵或生成訓練樣本。
在時間序列預測任務中，滑動視窗是生成訓練資料的標準方法。給定一段歷史觀測值序列（如股價、氣溫、電力消耗），以視窗大小 W 滑動，每個視窗覆蓋 t 到 t+W-1 的觀測值，作為輸入特徵，視窗後的一個或多個時間步作為預測目標。步長（Stride）決定每次視窗移動的距離：步長為 1 時相鄰視窗重疊最多，產生的樣本數最多；步長等於視窗大小時視窗不重疊，樣本數最少。視窗大小是重要超參數：太小無法捕捉長期趨勢，太大包含過多舊資訊、模型難以學習近期模式。
在卷積神經網路（CNN）中，卷積操作本質上就是一種滑動視窗：卷積核（Filter）在輸入特徵圖上滑動，在每個位置計算局部內積，產生輸出特徵圖。1D 卷積在時間序列或文字序列上滑動，2D 卷積在影像上水平和垂直方向雙向滑動。池化層（Pooling Layer）也使用滑動視窗取局部最大值或平均值，逐步降低特徵圖的空間解析度。
在自然語言處理中，滑動視窗有多種應用。詞袋（n-gram）特徵提取使用滑動視窗掃描文字，提取連續 n 個詞的組合。命名實體識別（NER）中，滑動視窗在句子上滑動，為每個位置的詞彙或詞彙組合判斷是否為命名實體。在處理超長文件時（如法律文件、學術論文），許多 LLM 應用採用「分塊滑動視窗」策略：以一定大小（如 512 tokens）的視窗切割文件，相鄰視窗有部分重疊（如 50 tokens 的重疊區），確保跨塊的語義不會完全斷裂，再對每個視窗分別召回，最後彙整結果。
在語音處理中，短時傅立葉變換（STFT）就是在音訊波形上應用滑動視窗（稱為「幀」），對每一幀計算頻域特徵（如 Mel 頻譜），再疊加成語譜圖（Spectrogram）作為語音模型的輸入。幀長（Frame Length）和跳步長度（Hop Length）是語音處理中對應視窗大小和步長的參數。
在異常偵測應用中，滑動視窗讓模型只需關注當前時間窗口內的資料，而非整個歷史序列，使得計算複雜度可控，也更能捕捉最近的異常模式。工業 IoT 感測器數據、網路流量異常、伺服器效能監控等場景都廣泛使用基於滑動視窗的異常偵測演算法。
iPAS 考試中滑動視窗的考點包括：視窗大小和步長的概念與效果、滑動視窗如何用於時間序列樣本生成、在卷積操作中視窗的角色、以及在特定應用場景（長文件 RAG 處理、語音特徵提取）中滑動視窗的具體用途。
滑動視窗的概念看似簡單，但其設計思路貫穿了現代 AI 系統的多個層次：從底層的卷積運算、中層的時序特徵提取，到上層的文件分塊與語境處理策略，都是同一個「以局部觀察近似全局理解」思想的不同體現。在設計處理序列資料的 AI 系統時，理解如何正確設定視窗大小與步長，並根據業務需求在樣本數量、計算效率與語義完整性之間取得平衡，是 AI 應用工程師的基本功。滑動視窗策略的失當（如視窗過小切斷關鍵語境、步長過大遺漏重要片段）是 RAG 系統和時序預測應用中常見的效能問題根源之一，值得在系統設計階段仔細規劃並透過實驗驗證最佳參數組合。 滑動視窗（Sliding Window）是序列資料分析中最基礎且廣泛應用的技術，在自然語言處理、時間序列分析、電腦視覺等領域各有不同的具體應用形式。
在自然語言處理中，滑動視窗是 N-gram 語言模型的基礎操作。透過以固定大小的視窗在文字序列上滑動，可以統計相鄰詞組的共現頻率，進而建構語言統計模型。在 Transformer 架構出現之前，這種方法是文字特徵提取的主要手段之一。
時間序列預測中，滑動視窗定義了模型的「感受野」：使用過去 k 個時間步的資料預測下一個時間步。視窗大小的選擇是重要的超參數：視窗過小會忽略長期依賴關係，視窗過大則增加計算複雜度並可能引入不相關的歷史資料。LSTM、GRU 等循環神經網路本質上是在學習自適應的滑動視窗機制。
在電腦視覺的傳統目標偵測方法中，滑動視窗掃描整張圖像的所有位置和尺度，在每個位置提取特徵並進行分類。這種暴力掃描方式計算成本極高，後來被錨框（Anchor Box）機制和基於區域的卷積神經網路（R-CNN 系列）所取代。
在 Transformer 的注意力機制中，局部自注意力（Local Self-Attention）採用滑動視窗限制每個 token 只能關注鄰近位置的 token，將全域自注意力的 O(n²) 複雜度降低為 O(n·k)，這是 Longformer 等長文本模型的核心創新。