要对 1000 万条用户行为序列做异常检测，用自编码器的重构误差打分，但训练集里大约有 1% 的异常样本。问：你会怎么设计自编码器？为什么不用 PCA？重构误差高的样本一定是异常吗？
面试官在考什么
判断候选人是否理解自编码器容量控制、训练集污染、重构误差阈值与 PCA 的关系。
回答框架 · 前两步
- 自编码器非线性重构，容量过大时会学成恒等映射；要控制瓶颈维度、加稀疏/去噪/正则、早停。
- 训练集含 1% 异常会污染正常模式，应用去噪自编码器、鲁棒损失，或先用孤立森林等筛出疑似异常再训练。
还有 3 条答案要点、 3 层追问、 4 个常见坑， 以及针对你简历的追问路径，在定制报告里。
延伸阅读
想看这个方向的整体准备路线？ 进入「机器学习基础」方向页
同一能力域的其他题
- 你有 500 万条 128 维用户 embedding，要聚成约 2000 个簇，单机 64GB 内存。你会选 MiniBatchKMeans 还是标准 KMeans？n_init、batch_size、tol 分别怎么定，空簇怎么处理，最后怎么判断这次聚类是可信的？
- 推荐系统要对 3000 万条用户 embedding（d=64, float32）做粗聚类分桶，k 在 1000~5000 之间，要求单机 128GB 内存、2 小时内跑完。你会选哪个聚类实现？k 怎么定？聚类质量怎么评估？
- 你负责一个用户 embedding 平台：2 亿用户 × 128 维 float32（单份约 100GB）。业务方要按 5000 个簇做分层运营，要求每晚在固定的 20 台机器（每台 8 核 / 32GB 内存 / 无 GPU）上 4 小时内完成一次重聚类；并且相邻两天的簇 ID 必须能对上，否则昨天的投放归因报表就断了。请回答：(1) 你会选哪种 KMeans 变体、用什么初始化，给一个量级估算说明 4 小时够不够、瓶颈在哪；(2) k=5000 这个数字你打算怎么论证；(3) 跨天的簇 ID 对齐你具体怎么做，代价多大、失败时怎么办。
- 有一维数据集 {1,2,3,10,11,12,50}，用 KMeans 聚类，k=3，初始质心为 1、10、50。请写出第一轮簇分配和更新后的三个质心，并说明第二轮 50 还会不会单独成簇。距离使用欧氏距离。
- 8000 个商品 SKU，特征是从标题文本抽的归一化 embedding，你要输出一棵 3~5 层的类目树。如果直接用凝聚层次聚类：linkage 选哪种、为什么；8000 个点的内存和时间开销大概什么样；dendrogram 出来后你切在哪一层、依据什么？
- 商品库有 20 万 SKU、100 维特征，业务要求输出一棵可解释的分类树（不是扁平簇）。直接对 20 万样本跑凝聚层次聚类会怎样？你会怎么在规模与树结构之间取舍？