一家信用卡公司希望加快其信用评分模型的训练速度，该模型由数千个原始属性构建，其中许多属性高度相关。训练速度慢且模型过拟合。哪种特征工程技术可以在不丢失太多信息的情况下降低维度和训练时间？

自编码器和PCA是降维技术，它们通过将原始高维特征转换成一组更小、不相关的特征来减少数据维度，同时保留大部分信息。这有助于解决模型过拟合问题，并显著加快训练速度。计算特征自相关性并删除高度相关的特征是特征选择的一种方法，但可能不如PCA或自编码器有效，因为它们能创建全新的、信息更密集的特征。归一化特征有助于模型收敛，但不会减少特征数量或解决过拟合。使用k-means对数据进行聚类并抽样会减少训练数据量，但这会丢失大量信息，并不能直接解决高维度和特征相关性问题。