把一张信息繁杂的表格压缩成几个关键数字，就像用几句话概括一部长电影：既要省空间，也不能丢掉异常线索。PCA（主成分分析）用线性方向压缩数据；自编码器则让神经网络经过狭窄“瓶颈”再还原输入，理论上更擅长弯曲的非线性关系。值得注意的是，据 Towards Data Science 报道，一项刻意偏向后者的合成测试，结果仍是PCA略胜。
测试让两个正常特征遵循正弦关系，再加入单看每个数都正常、合起来却破坏关系的异常。PCA的F1——综合衡量漏报与误报的指标——为0.318，自编码器为0.302，Isolation Forest为0.091；正常与异常的重建误差大量重叠，说明三者都分得不算好。另一项较简单的实验中，PCA与自编码器则同为0.885。这里比较的是约700个训练样本上的默认8-3-8自编码器，并非其性能上限；实验也只用合成数据和一个随机种子。更稳妥的结论是：非线性表达能力不会自动变成实际收益，上复杂模型前，先认真跑好强基线。