16. 某團隊想採用循環神經網路(Recurrent Neural Network, RNN)建構長期氣候數據的預測模型，以下哪一項敘述最符合使用 RNN 可能會遇到的挑戰？
(A)RNN 無法處理可變長度的序列輸入，因此在實務上限制極大；
(B)RNN 在長序列訓練中可能出現梯度消失，影響模型效果；
(C)RNN 無法捕捉時間上的依賴關係，因此預測準確度低；
(D)RNN 只能用於分類任務，不能應用於時間序列預測

答案：登入後查看
統計： A(4), B(37), C(5), D(5), E(0) #3869559

詳解 (共 1 筆)

#7368250

  • ✅ (B) 是正確的： RNN 在進行反向傳播（Backpropagation Through Time, BPTT）更新權重時，會將誤差隨時間步（time steps）向回傳遞。如果序列很長（例如題目中提到的「長期氣候數據」），由於鏈鎖律（Chain Rule）的連續相乘效應，梯度很容易會指數級地縮小到趨近於零，這就是著名的「梯度消失（Vanishing Gradient）」問題。這會導致模型忘記早期的資訊，難以捕捉到長期的時間依賴關係。實務上，為了解決這個問題，通常會改用 LSTM（長短期記憶網路）或 GRU（門控循環單元）等變體。

  • ❌ (A) 是錯誤的： RNN 的一項核心優勢正是可以處理可變長度的序列輸入。它透過一個接一個地處理時間步的資料，並更新隱藏狀態（Hidden State），因此不需要像傳統的多元線性迴歸或全連接層那樣固定輸入維度。

  • ❌ (C) 是錯誤的： RNN 的架構設計初衷就是為了捕捉時間序列上的依賴關係。它將前一個時間步的隱藏狀態傳遞給下一個時間步，使模型能夠擁有「記憶」，因此它絕對具備捕捉時間依賴的能力（只是傳統 RNN 在處理「長期」依賴時會遇到 (B) 選項的問題）。

  • ❌ (D) 是錯誤的： RNN 的應用範圍非常廣泛，不限於分類任務。根據輸出架構的不同，它可以應用於：

    1. 時間序列預測（如氣溫預測、股票預測），屬於連續數值的迴歸任務。

    2. 機器翻譯（Sequence-to-Sequence）。

    3. 文字生成（預測下一個字詞）。

    4. 情感分類（Sequence-to-Class）。

0
0