面试记录（三）

 面了57min，实在问麻了，下面的问题就没有按顺序记录了：

1.linux熟悉吗：熟悉基础的环境变量、目录等用法，问如何查找一个文件（不会，又追问如何设计一个c的程序去查找：先找文件类型，再深度优先遍历）

2.代码的debug工具熟悉吗，怎么去修正bug——tensorboard，打印关键信息，查看变量信息

3.模型的调优或者优化——分布式训练，fp16代替fp32

4.stable diffusion的原理，diffusion能否用于检测用户的异常行为

5.传统机器学习算法了解多少——SVM

xgboost了解吗——了解一些，分类树的模型（下来一定好好学习）

6.transformer的encoder和decoder有什么区别（self和cross attention；mask矩阵）

7.特征选择和特征提取的方法（局部最优的贪心，遗传算法）

8.大模型能否用到这里（具体不是很了解）

9.大模型的微调方法——Lora（低秩分解，训练）

10.核心业务关注：

玩过moba类游戏吗

最高段位怎么样

moba类游戏的外挂了解吗

以王者荣耀或者英雄联盟手游为例，怎么检测一个用户是否有开挂？

这里面试官其实每个阶段都会追问一些技术细节，就按照我设想的流程回答了：

（1）特征选取

关键是找到一些能够有助于判断开挂的行为：

局内的数据：分均经济、场均死亡次数、技能命中率（盲视野下）等

连续的行为：资源的抢夺率、防gank的行为（被抓的时候逃跑的反应速度）

总的来说应该有图像和序列的信息都能有帮助。

（2）特征筛选

看特征的量是否很大，小的话全局最优，大的话局部最优，同时判断一下特征的相关性，独立的要谨慎删除

局部最优的贪心，全局的遗传算法

（3）特征提取

图像数据：考虑实时性用convnext，不考虑的话上Vit

序列数据：Bert或者GPT（不是研究的领域，只听过这两个）

（4）多模态的融合

考虑三个层面的融合

1.输入端的融合——简单的编码后，concat

2.特征空间下的融合——不同的stage拼接（可以add，concat，cross-attention）

3.决策层面融合——bagging、boosting

（5）输出

一个分类任务