方法论

前馈多层感知器使用标准化的经验和技能，以及独热编码的教育程度、角色和部门。隐藏层使用 ReLU 或 tanh；薪资回归输出为线性。MSE 梯度通过链式法则计算，并使用 Adam 或小批量 SGD 进行优化。

可复现性与泄漏预防

使用固定种子的随机打乱预留 20% 用于测试。验证集从剩余记录中使用训练种子提取。数值缩放、类别词汇和目标标准化仅在训练数据上拟合。未知类别使用显式的未知槽位。测试数据仅在最后一个 epoch 后进行评估。制品将权重、偏置、预处理、配置和评估结果统一存储。

数据来源

前 480 条记录是使用种子 2026 生成的可复现合成示例。它们并非真实的员工薪资，不具备市场有效性。合成生成器定义了一个教学数据集；预测结果始终来自训练后的 ANN，而非该生成器。用户上传的 CSV 将替换演示数据并被标记为未验证。

局限性与预期用途

仅用于教育探索。不得用于招聘、薪酬决策或就业筛选。不提供公平性审计、因果特征归因、置信区间或外部验证。薪资输出可能是负数或不合理的，且不会被静默截断。受保护的属性并非预测特征。类别中可能仍包含社会偏见。

制品与存储

每个用户保存一个活动模型和最多六个版本摘要。预测结果仅在请求时保存，上限为 500 条记录。数据集的更改将使活动模型失效。存储的制品在加载前会经过验证。存储失败将予以报告，且当前会话仍可使用。此浏览器版本不提供服务器或数据库。

验证

引擎在训练前将数值梯度与有限差分进行比对。训练过程会拒绝非有限损失。指标在预留测试数据上以原始年薪单位计算。这不能替代完整的独立自动化测试套件或生产环境安全审查。