面灵AI→

小米 预测算法 一面:空洞卷积与消融实验的项目拷打

轮次
一面
时间
2026-10
来源
牛客网

《面试题目》

  1. 自我介绍。
  2. 第一个项目要解决什么问题?
  3. 模型的输入和输出分别是什么?
  4. 为什么采用 xxx(原帖以 xxx 代指具体方案)?数据集和标注是从哪里来的?
  5. 你提到误差下降约 1%,是和什么方案相比?
  6. 消融实验具体移除了哪些模块?
  7. 为什么采用空洞卷积?
  8. 空洞卷积为什么能扩大感受野?原理是什么?
  9. 有没有尝试其他模型或学习方法?对比结果和差异原因是什么?
  10. 第二个项目使用的数据集从哪里获取?
  11. 数据集标签是什么?
  12. Transformer 在项目中起什么作用?
  13. 综合损失函数由什么组成?
  14. 上位机和嵌入式端之间的 UDP 通信是怎么实现的?
  15. 这段代码是自己开发的,还是通过 AI coding 完成的?
  16. 为什么选择自己开发,而不是使用 AI coding?
  17. 反问。

《参考解析》

项目讲述先给问题定义与指标口径,再谈模型。 面试官第一串问题(解决什么问题、输入输出是什么、为什么这么选、数据从哪来)其实是在验证你有没有真的想过这个任务:输入是哪些模态、维度、采样频率,输出是分类、回归还是序列,标签怎么定义,业务上「好」的标准是什么(MAE、召回,还是某个阈值区间内的命中率)。数据来源要说清采集设备、时间跨度、标注人员与一致性校验(多人标注看 Kappa 或复核比例),以及训练、验证、测试怎么按时间或设备切分来防止泄漏。方案选型要主动给对比基线:为什么不用传统方法或更小的模型,代价(时延、算力、可解释性)是什么。

「误差下降 1%」必须能说清对照与显著性。 标准答法是:基线是什么(上一版模型、经典方法或人工规则)、在哪个数据集和哪个切分上、指标是 MAE 还是相对误差、是否多次随机种子取均值与方差、1% 是绝对值还是相对值。这个量级很容易被数据噪声淹没,所以还要补测试集规模、置信区间或配对检验,以及线上是否观察到同向变化。如果只在单一场景有效,要主动说明适用边界——面试官往往就是在等这句。

消融实验的设计要点是「一次只动一个变量」,并给出可解释的结论。 说清移除了哪个模块(注意力、空洞率、辅助损失、某一路特征),其余超参与训练轮次保持一致,报告每个变体的指标与训练成本;如果模块之间有耦合,做逐级叠加(accumulation)而不是各自单独去掉。结论要落到机制上:去掉某模块后哪类样本变差(小目标、长尾、边界样本),而不是只报一个数字。工程上还要固定随机种子、记录配置文件与数据版本,否则复现不了。

空洞卷积的原理与代价。 它在卷积核元素之间插入 (d-1) 个空洞,等效感受野是 k + (k-1)(d-1);多层堆叠时感受野按膨胀率累加,因此不增加参数量就能扩大感受野,也不用下采样丢分辨率——这是语义分割(DeepLab 系列)和长序列时序建模里用它替代池化的原因。代价是网格效应:连续使用同样的膨胀率会让采样点稀疏、丢失局部连续性,所以实践中用混合膨胀率(比如 1、2、5、1 的锯齿结构),并在最后加一层普通卷积;另外大膨胀率在浅层对高频细节不友好,算子上也可能不如普通卷积缓存友好。

Transformer、综合损失与嵌入式 UDP 通信。 Transformer 在这里通常承担时序或多模态的全局依赖建模:自注意力比 RNN 更并行、能直接建模远距离关系,代价是 O(n²) 复杂度和对数据量的要求,所以常见做法是局部窗口加稀疏注意力,或者与 CNN 混合。综合损失一般是主任务损失(回归用 L1 或 Huber,分类用交叉熵)加权叠加辅助项(时序平滑、频域一致性、对比或蒸馏约束),要能说出每项权重怎么定、量纲怎么统一、去掉后指标怎么变。UDP 部分要讲清为什么用它(低时延、允许丢包、嵌入式端资源少),以及自己补的可靠性:包序号与时间戳、CRC 校验、乱序重组与丢包插值、心跳与超时重连、字节序与结构体对齐(别直接 memcpy 结构体,按字段序列化)。「为什么自研而不是 AI coding」的答法是:协议与嵌入式约束需要逐字节确认和实测,AI 生成的代码在寄存器操作、时序与内存布局上不能直接信任;AI 可以用在样板代码、单测和文档上,核心链路必须自己写并做长稳测试。