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