2026年人工智能训练师异常值处理实操考核试题

2026年人工智能训练师异常值处理实操考核试题1单选题（每题2分，共20分）1.1在图像分割数据集中，某张512×512像素的掩膜出现单个孤立白点（面积=1像素），最合理的首轮处理策略是A直接删除整张图像B使用3×3中值滤波C标记为“忽略像素”并在损失函数中赋零权重D用双线性插值放大到1024×1024再训练1.2时间序列传感器数据以1Hz采集，连续30s内出现一次40℃的跳变，相邻值均为22℃。采用IQR法则时，若Q1=21.8℃、Q3=22.4℃，则该点A必为异常B必为正常C需结合传感器精度指标再判断D需用Grubbs检验补测1.3在文本分类任务中，某训练样本的标签字段为“{-1:0.97,3:0.02,7:0.01}”，已知标签字典仅有0~6类，正确的处理方式是A保留并视为多分布标签B把-1映射为0继续训练C判定为标注异常并触发人工复核D用softmax重新归一化1.4使用孤立森林检测多维特征异常时，若设置n_estimators=200、max_samples=256，当某样本平均路径长度=6.2，则其异常得分最接近A0.91B0.50C0.21D−0.101.5在联邦学习场景下，客户端上传的梯度范数‖g‖₂突然增大100倍，服务器端最优先的异常处理动作是A立即聚合B丢弃该客户端本轮更新C用median-of-means聚合D降低学习率0.01倍再聚合1.6对表格数据做One-Hot后，某一列全为0，其余列正常，则该列A必含异常B必为冗余C可能为固定缺失，需回溯原始业务D可直接删除且无需记录1.7在音频数据增强流水线中，若随机裁剪导致某段波形全为0，检测该异常的最佳域是A时域能量B频域MFCCC相位谱D复数域STFT1.8采用AutoEncoder重构误差阈值法时，若验证集95%分位误差=0.042，则阈值设置0.05会A提高召回率B降低精确率C提高F1D无影响1.9在图神经网络中，节点特征出现NaN，最鲁棒的聚合方式是A求和B均值C最大值D加权求和且权重归一化跳过NaN1.10对于带权重的回归任务，若某样本权重=−3，正确的处理是A取绝对值后训练B视为异常并剔除C用权重截断为0D报错并终止训练2多选题（每题3分，共15分；多选少选均不得分）2.1下列哪些做法可能引入“伪异常”A对右偏分布取对数后再用3σ准则B在数据增强阶段使用CutMixC将uint16图像直接除以65535转为floatD对类别型变量用TargetEncoding后未做交叉验证2.2关于时间序列滑动窗口异常检测，正确的有A窗口越大，延迟越高B窗口越小，对突变越敏感C窗口大小与采样频率无关D使用指数加权移动平均可降低相位滞后2.3在CV领域，以下哪些异常属于“标签异常”A目标框坐标超出图像边界B类别ID大于预设num_classesC图像EXIF显示拍摄日期在未来D分割掩膜出现非零值不在类别列表2.4使用GAN做异常检测时，判别器损失突然降至0，可能原因A生成器崩溃B判别器过拟合C学习率过高D梯度惩罚系数λ过大2.5在NLP任务中，以下哪些信号可直接用于触发“回退到人工”A模型对某样本预测熵>0.9B该样本长度>mean+3σC该样本包含OOV比例>30%D该样本被BERTtokenizer截断3判断题（每题1分，共10分；正确打“√”，错误打“×”）3.1对于高维稀疏向量，cosine距离比欧氏距离更容易产生异常误判。3.2在医疗影像中，只要像素值在[0,255]范围内就不存在异常。3.3使用Z-score时，若总体服从t分布，则阈值仍可取±3。3.4在流式训练场景，可用ReservoirSampling保存异常候选。3.5对类别不平衡数据，异常样本通常属于少数类。3.6若LSTM输入序列含NaN，可采用masking层跳过。3.7在联邦学习中，Byzantine攻击者可能上传反向梯度。3.8对表格数据做PCA后，第一主成分方差贡献率<5%可直接丢弃。3.9使用LOF时，k=1会导致分母为零。3.10对文本数据，若TF-IDF后某特征列方差=0，则该列一定无信息。4填空题（每空2分，共20分）4.1给定样本x∈ℝᵈ，采用马氏距离检测异常，其公式为Dₘ(x)=__________，其中Σ为__________。4.2在图像分类中，若某张图片的Softmax最大概率=0.9999，第二大概率=0.0001，则其预测置信度熵H≈__________（保留3位小数）。4.3使用指数加权移动平均EWMA(zₜ)=αxₜ+(1−α)zₜ₋₁，若α=0.05，则约__________步后权重衰减至初始值的1/e。4.4在SQL数据探查阶段，计算列级缺失率应使用函数__________。4.5对于音频采样率16kHz，若采用帧长25ms、帧移10ms，则每帧样本点数为__________，相邻帧重叠__________样本点。4.6在PyTorch中，若需忽略NaN计算损失，可用torch.nan__________函数。4.7使用孤立森林时，异常得分s(x)取值范围是__________。4.8在CV领域，若边界框格式为[x,y,w,h]，则面积=__________。4.9对时间序列做季节性分解时，经典加法模型写为yₜ=__________+__________+__________。4.10在联邦学习安全聚合中，若采用TrimmedMean，需剔除最高__________%和最低__________%的梯度坐标。5简答题（每题5分，共15分）5.1说明在视频行为识别任务中，如何结合光流与RGB双流结果，设计一套异常片段自动定位方案，要求对“突然黑屏”与“标签跳变”两类异常分别给出触发条件与回退策略。5.2描述在推荐系统冷启动阶段，如何利用用户侧实时行为流（点击、停留、滑走）构建异常检测流水线，以识别“爬虫账号”与“误标注正反馈”，并给出特征工程与模型选型理由。5.3当训练数据为医疗时序波形（ECG），但标签来自不同医院且采样率不一致，请给出端到端的异常值治理流程，涵盖采样率统一、标签对齐、专家复核、版本控制四个环节，并指出各环节最易引入新异常的风险点。6计算与实操题（共70分）6.1统计检验（10分）某传感器连续记录50个温度值（单位：℃）：[22.1,22.0,22.2,22.1,22.0,22.3,22.1,22.2,22.0,40.2,22.1,22.2,22.0,22.1,22.3,22.2,22.1,22.0,22.2,22.1,22.0,22.1,22.3,22.2,22.0,22.1,22.2,22.1,22.0,22.2,22.1,22.0,22.3,22.2,22.1,22.0,22.2,22.1,22.0,22.1,22.3,22.2,22.0,22.1,22.2,22.1,22.0,22.2,22.1,22.0](a)用Grubbs检验判断40.2是否为异常，显著性水平α=0.05。(b)若剔除该点后，再用IQR法是否还能检出新的异常？给出过程。6.2高维异常得分（10分）已知样本x=[3,5,7,2]ᵀ，总体均值μ=[2,4,6,1]ᵀ，协方差矩阵Σ=[[1,0.5,0,0],[0.5,2,0,0],[0,0,1,0.3],[0,0,0.3,1]]请计算马氏距离Dₘ(x)并判断其在χ²₀.₀₅(4)临界值9.488下是否异常。6.3孤立森林得分（10分）设某二维数据点x=(10,10)，训练集服从N([0,0],I)。已知孤立森林树深极限log₂(256)=8，若x在200棵树中平均路径长度l(x)=4.5，请用标准公式s(x)=2^{−l(x)/c(n)}，其中c(n)=2H(n−1)−2(n−1)/n，H(k)为调和数，n=256，计算s(x)并解释其含义。6.4时间序列平滑与突变检测（15分）给出Python代码模板，要求：(1)用pandas读取CSV（字段：timestamp,value），完成缺失值向前填充；(2)实现EWMA平滑，α=0.08；(3)计算平滑后序列的3σ区间，标记超出点为异常；(4)对连续异常段≥3个点输出起止时间；(5)将异常段原始值替换为线性插值，并写回新CSV。请补全缺失代码并给出核心行注释。6.5图像标签异常自动修复（15分）某目标检测数据集标签格式为YOLO：每行“classx_centery_centerwidthheight”，坐标归一化到[0,1]。现发现部分行出现负坐标或>1。(a)设计正则表达式提取五字段并校验范围；(b)对轻微越界（∈[−0.02,1.02]）采用裁剪到边界，严重越界直接删除；(c)若裁剪后宽高<0.001，视为无效框删除；(d)统计修复前后标签数量并输出日志。请写出完整Python脚本，要求用argparse接收输入输出路径，日志含UTC时间。6.6模型级异常溯源（10分）某分类模型在验证集突然下降6%，经排查发现新增5万条“干净”数据。给出基于“影响函数”（InfluenceFunction）估算最具危害样本的完整推导与实现步骤，要求：(1)写出损失梯度和Hessian近似公式；(2)说明如何无需存储n×n矩阵即可近似计算；(3)给出PyTorch伪代码，筛选影响力最大的前10条样本；(4)说明如何人工复核并决定是否回滚。7综合设计题（20分）场景：某城轨公司每日产生1.2亿条车载振动数据（采样率1kHz，三轴），需构建实时异常检测系统，以识别轨道裂缝、车轮扁疤、信号干扰三类异常。数据经边缘网关上传至Kafka，延迟<200ms。任务：(1)设计边缘端预处理流水线，包含去噪、降采样、特征提取、缓存策略；(2)选择两种算法（一为轻量级，一为高精度），说明触发条件、资源消耗、互补机制；(3)给出云端复核与标注回流机制，确保模型周级更新；(4)说明如何在不泄露列车编号、位置的前提下，完成跨线路联邦训练；(5)给出评估指标、灰度发布、降级方案。要求：画系统架构图（文字描述即可），列出各模块输入输出、数据格式、异常码表，并估算边缘端内存占用峰值。卷后答案与解析1单选题答案1C2C3C4A5B6C7A8B9D10B解析：1.1单像素白点多为椒盐噪声，中值滤波易破坏边缘，赋零权重最稳妥。1.4路径长度越短得分越接近1，公式计算得s≈0.91。2多选题答案2.1AD2.2ABD2.3ABD2.4ABC2.5AC3判断题答案3.1√3.2×3.3×3.4√3.5√3.6√3.7√3.8×3.9√3.10×4填空题答案4.1Dₘ(x)=√[(x−μ)ᵀΣ⁻¹(x−μ)]，Σ为协方差矩阵4.2H≈0.0064.3约20步4.4COUNT()-COUNT(column)4.4COUNT()-COUNT(column)4.5400,1604.6torch.nansum或torch.nanmean4.7[0,1]4.8w×h4.9yₜ=Trendₜ+Seasonalₜ+Residualₜ4.10各剔除k%，通常k=205简答题答案要点5.1黑屏：RGB帧平均亮度<5且光流平均幅值<0.5持续≥5帧→触发；标签跳变：相邻帧预测类别不一致且置信度均>0.8→人工复核。回退：自动降权该片段损失，次日人工确认后重训。5.2特征：点击间隔熵、滑走加速度、会话时长、UA、IP变动频率；模型：在线LOF+轻量GBDT；爬虫：间隔熵极低且UA模板化；误标注：滑走后端打标为正→置信度低→回退。5.3采样率统一：重采样至500Hz，用抗混叠滤波；标签对齐：动态时间规整+人工锚点；专家复核：版本对比工具高亮差异；版本控制：DVC+GitLFS；风险：重采样引入吉布斯波纹、对齐误差不一致。6计算与实操题答案6.1(a)均值x̄=22.46，s=2.58，G=|40.2−22.46|/2.58=6.89，查Grubbs临界值G₀.₀₅,50≈2.96，6.89>2.96→异常。(b)剔除后n=49，Q1=22.0，Q3=22.2，IQR=0.2，上下界=[21.7,22.5]，无点超出→无新异常。6.2Σ⁻¹经计算得[[1.33−0.3300][−0.330.6700][001.1−0.33][00−0.331.1]](x−μ)ᵀΣ⁻¹(x−μ)=4.0，Dₘ=2.0<√9.488→不异常。6.3H(n−1)≈ln(n)+0.577=5.55+0.577=6.127，c(n)=2×6.127−2×255/256≈10.25，s(x)=2^(−4.5/10.25)≈0.73，属高度异常。6.4核心代码```pythonimportpandasaspd,numpyasnp,datetimedf=pd.read_csv('data.csv',parse_dates=['timestamp'])df['value']=df['value'].ffill()alpha=0.08df['smooth']=df['value'].ewm(alpha=alpha).mean()res=df['value']-df['smooth']sigma=res.std()df['upper']=df['smooth']+3sigmadf['upper']=df['smooth']+3sigmadf['lower']=df['smooth']-3sigmadf['lower']=df['smooth']-3sigmadf['flag']=(df['value']>df['upper'])|(df['value']<df['lower'])连续异常≥3df['grp']=(~df['flag']).cumsum()ranges=df[df['flag']].groupby('grp').agg(