自编码器
自编码器是一种无监督神经网络结构，通过编码器将输入数据压缩为低维潜在表示，再由解码器还原，用于降维、特征学习和数据重建，是变分自编码器（VAE）的基础架构
时间轴 (近 90 天)
预测性维护常用的模型包括孤立森林、自编码器、LSTM及梯度提升树等。
在预测性维护中，异常检测通常采用无监督学习，如自编码器、孤立森林等算法；故障分类依赖有监督学习，用随机森林、梯度提升或时序深度学习模型。
轻量级行为监测模块通常只有几十到几百KB，运行在设备固件层，通过监控系统调用序列建立正常行为基线，利用轻量级异常检测模型识别偏离基线的行为。
潜空间扩散模型先用编码器将图像压缩到低维潜在空间进行去噪迭代，再用解码器还原，将扩散过程计算量降低数个数量级
拉取步骤把嵌入表示朝向邻居的加权平均方向拉动，纠正步骤通过自编码器把结果投影回学习到的流形上
异常检测是目前AI在交易场景落地最为成熟的方向，基于无监督学习的孤立森林或自编码器模型已在多家大型托管银行和交易所得到验证
多阶段训练流程的第一阶段是训练自编码器将序列和结构数据分别编码为潜在表示
Entropic Scree可用于估计数据集内在维度，从而显式确定神经网络瓶颈层（如自编码器潜空间）的大小
全部知识事实 (8)
预测性维护常用的模型包括孤立森林、自编码器、LSTM及梯度提升树等。
50%待验证在预测性维护中，异常检测通常采用无监督学习，如自编码器、孤立森林等算法；故障分类依赖有监督学习，用随机森林、梯度提升或时序深度学习模型。
50%待验证轻量级行为监测模块通常只有几十到几百KB，运行在设备固件层，通过监控系统调用序列建立正常行为基线，利用轻量级异常检测模型识别偏离基线的行为。
50%待验证潜空间扩散模型先用编码器将图像压缩到低维潜在空间进行去噪迭代，再用解码器还原，将扩散过程计算量降低数个数量级
50%待验证拉取步骤把嵌入表示朝向邻居的加权平均方向拉动，纠正步骤通过自编码器把结果投影回学习到的流形上
50%待验证异常检测是目前AI在交易场景落地最为成熟的方向，基于无监督学习的孤立森林或自编码器模型已在多家大型托管银行和交易所得到验证
50%待验证多阶段训练流程的第一阶段是训练自编码器将序列和结构数据分别编码为潜在表示
50%待验证Entropic Scree可用于估计数据集内在维度，从而显式确定神经网络瓶颈层（如自编码器潜空间）的大小
50%