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？
答案 （D）
核心概念
當異常樣本少到極端時，與其想辦法「湊出更多異常」，不如換個思路——只拿正常資料訓練一個自編碼器，讓它學會如何完美重建「正常」的樣態。上線後，正常資料重建誤差小、異常資料因為模型沒看過而重建誤差大，用誤差門檻就能揪出異常。這種做法稱為單類別／半監督式異常偵測，完全繞開了資料不平衡的困境。
答題技巧
快速判斷技巧：看到「異常極稀少 + 高度不平衡」，優先想「只學正常」的路線——自編碼器重建誤差、One-Class SVM、Isolation Forest。這比在少數類別上做文章更穩。
易錯陷阱：(C) 的 SMOTE 是教科書處理不平衡的招牌解法，很容易被反射性選中。但要多想一層：這裡是時間序列，SMOTE 靠鄰近樣本內插，會破壞序列的時間結構。題目給的資料型態，往往就是排除標準答案的線索。