这部分是属于数据分析，组里不太可能让他们涉及这部分任务。
“听！只是现在没关系而已。”英子回答很自信。
不仅是对她自己的学习能力自信，更是对池远非人般的学习能力自信。
“好吧。”池远笑了笑，在英子无语的眼神下，从裤兜里掏出随身携带的笔。
只见他将纸张翻转了一面，在上面写道：
【1.高纬度和多模态数据：测试数据可能来自多个传感器，涉及多种参数，因此数据是高维度和多模态的。例如，包括温度、压力、速度等多种测量。】
【2.时序性：测试数据通常是时序数据，因为航天器的状态和性能参数会随着时间的推移而变化。】
【3.复杂的非线性关系……】
【4.缺失数据和异常值……】
【5.实时性要求……】
【6.数据标签的稀疏性……】
“这是你对测试数据特性的分析？”
池远点了点头：
“基于这些特征分析，我放弃了限制小规模数据量的梯度提升算法（XGBoost、LightGBM）和要求维度较低的LS-SVM算法，决定用深度学习算法，准确来说是模型，不止一个算法。”
“它的要求并不苛刻，复杂的数据结构，也可以通过多层神经网络学习输入数据的表示后进行处理。特别是它能自动学习高级抽象特征，发现隐藏在数据背后的模式和规律，达到识别异常甚至预测的目的。”
说完，他又将自己的模型构思一一写下来：
【1.时间串行分析：使用专门针对时间串行数据的深度学习模型，如长短时记忆网络（LSTM）或门控循环单元（GRU）等。】
【2.数据预处理：……】
【3.学习模型预训练：……】
【……】
【7.增强学习：在某些情况下，可以考虑使用增强学习来实时监测中遇到的决策问题。】
一整页都写满了。
没有在意小小稿纸承受的不该有字数，池远期待地等待着英子的回答：
“这模型怎么样？”
池远写得很简化，英子对深度学习有所了解也能看懂。
也正是因为能够看懂，她微微皱起了眉头，有些尤豫道：
“模型很完善……但是不是太复杂了？需要的计算资源是不是太多了？”
“是需要很大的计算资源，但这不是为了追求‘最优’，面面都要考虑到嘛。”但这的确是个困扰池远的问题，“你有没有什么建议？”
英子知道的不多，一时间也想不到好办法。
话题冷了下来，两个人一边吃饭一边发呆。
熟悉的眼神涣散，英子却突然想起了下午看得眼神涣散的测试数据。
“我想到了！那些数据！非线性关系！”
她突然出声，把池远吓了个一激灵，回过神忍不住提醒道，“是‘复杂的’非线性关系……”
“别强调‘复杂’了，要简化！既然是非线性的，将略微相关的数据进行分类处理，得到类属性，那时不时可以忽略类属性变量之间的依赖关系可以相对忽略？”
要是抛开对‘复杂’的执着，池远也懂了英子的意思，“你的意思是用朴素贝叶斯分类器？”
“还有TAN分类器。”英子眯眼道。
“这想法不错。”池远笑着敲了敲桌子，“还有吗？”
“我认为还能引入‘注意力机制’，让模型更加关注重要的特征，从而提高对关键信息的捕捉能力。”英子越说越自信。
果然，不同的思考方式注意到的重点都是不一样的。
英子两条意见都是冲着‘偷懒’……咳，是‘简化’的目的。
“但可靠性呢？”
深度学习算法有识别异常的工程，更重要的是它还能预测。
预测，就对可靠性有着更严苛的要求。
池远的问题很致命。
“再设计一个可靠性模型？”英子试探性地问？
这又何尝不是一种办法？
池远琢磨着除了将测试相关数据收入进去外，还可以将试车时长、试车次数、技术状态、试车各环境参数等多种因素塞进可靠性模型中，最好综合得到一个考核分值。
建模方法可以选生存分析（Survival Analysis）、可靠性块图（Reliability Block Diagra、贝叶斯网络，最好比较得到效果最好那个。
但，这会不会太复杂