“你真的要聽嗎？”池遠收起玩樂的心思，認真道，“這其實跟我們手頭上的工作沒啥關係。”
這部分是屬於數據分析，組裏不太可能讓他們涉及這部分任務。
“聽！隻是現在沒關係而已。”英子回答很自信。
不僅是對她自己的學習能力自信，更是對池遠非人般的學習能力自信。
“好吧。”池遠笑了笑，在英子無語的眼神下，從褲兜裏掏出隨身攜帶的筆。
隻見他將紙張翻轉了一麵，在上麵寫道：
【1.高緯度和多模態數據：測試數據可能來自多個傳感器，涉及多種參數，因此數據是高維度和多模態的。例如，包括溫度、壓力、速度等多種測量。】
【2.時序性：測試數據通常是時序數據，因為航天器的狀態和性能參數會隨著時間的推移而變化。】
【3.複雜的非線性關係……】
【4.缺失數據和異常值……】
【5.實時性要求……】
【6.數據標簽的稀疏性……】
“這是你對測試數據特性的分析？”
池遠點了點頭：
“基於這些特征分析，我放棄了限製小規模數據量的梯度提升算法（XGBoost、LightGBM）和要求維度較低的LS-SVM算法，決定用深度學習算法，準確來說是模型，不止一個算法。”
“它的要求並不苛刻，複雜的數據結構，也可以通過多層神經網絡學習輸入數據的表示後進行處理。特別是它能自動學習高級抽象特征，發現隱藏在數據背後的模式和規律，達到識別異常甚至預測的目的。”
說完，他又將自己的模型構思一一寫下來：
【1.時間序列分析：使用專門針對時間序列數據的深度學習模型，如長短時記憶網絡（LSTM）或門控循環單元（GRU）等。】
【2.數據預處理：……】
【3.學習模型預訓練：……】
【……】
【7.增強學習：在某些情況下，可以考慮使用增強學習來實時監測中遇到的決策問題。】
一整頁都寫滿了。
沒有在意小小稿紙承受的不該有字數，池遠期待地等待著英子的回答：
“這模型怎麼樣？”
池遠寫得很簡化，英子對深度學習有所了解也能看懂。
也正是因為能夠看懂，她微微皺起了眉頭，有些猶豫道：
“模型很完善……但是不是太複雜了？需要的計算資源是不是太多了？”
“是需要很大的計算資源，但這不是為了追求‘最優’，麵麵都要考慮到嘛。”但這的確是個困擾池遠的問題，“你有沒有什麼建議？”
英子知道的不多，一時間也想不到好辦法。
話題冷了下來，兩個人一邊吃飯一邊發呆。
熟悉的眼神渙散，英子卻突然想起了下午看得眼神渙散的測試數據。
“我想到了！那些數據！非線性關係！”
她突然出聲，把池遠嚇了個一激靈，回過神忍不住提醒道，“是‘複雜的’非線性關係……”
“別強調‘複雜’了，要簡化！既然是非線性的，將略微相關的數據進行分類處理，得到類屬性，那時不時可以忽略類屬性變量之間的依賴關係可以相對忽略？”
要是拋開對‘複雜’的執著，池遠也懂了英子的意思，“你的意思是用樸素貝葉斯分類器？”
“還有TAN分類器。”英子眯眼道。
“這想法不錯。”池遠笑著敲了敲桌子，“還有嗎？”
“我認為還能引入‘注意力機製’，讓模型更加關注重要的特征，從而提高對關鍵信息的捕捉能力。”英子越說越自信。
果然，不同的思考方式注意到的重點都是不一樣的。
英子兩條意見都是衝著‘偷懶’……咳，是‘簡化’的目的。