深度学习方向地图

• 给图节点分类任务标注三个维度
• 自监督学习是否是一种固定网络结构？
• 说明：概览标签是整理问题的工具，不能替代算法细节、资源测量与验证实验。

深度学习方向图从数据结构、模型家族、训练范式、问题设定和应用领域组织知识。多个标签可以同时成立，例如图上的自监督预训练与下游监督分类。

GNN、自监督、多模态和深度强化学习常被并列称为方向，但它们描述的维度不同。先分清结构、监督来源和应用约束，能避免把一个热门名词当成完整方案。

深度学习方向图从数据结构、模型家族、训练范式、问题设定和应用领域组织知识。多个标签可以同时成立，例如图上的自监督预训练与下游监督分类。

“公交车、夜间驾驶、送货”不是同一层级分类，分别谈工具、运行条件与任务；技术方向也应先放回各自维度。

模型家族回答怎样计算表示，例如 CNN 偏局部网格、GNN 沿图邻接传播、Transformer 做内容相关通信。训练范式回答监督从哪里来，例如人工标签、自监督构造目标或奖励反馈。

应用领域描述数据与约束，例如音频有采样率和时延，时序有未来不可见边界，推荐有曝光偏差与冷启动。多模态还要考虑对齐、缺失模态和某一模态独占信号，而不是简单把两个向量拼接。

选择学习路线应从可用数据、目标输出、独立验证方式和资源预算开始。一个方向概览不等于已经掌握该领域，应继续进入对应专题并建立最小可检验基线。

给图节点分类任务标注三个维度

已知条件

• 输入含节点特征与边
• 少量节点有人工类别，另有未标注节点
• 计划先构造自监督预训练目标，再监督微调

计算步骤

1. 数据结构标签为图。
2. 候选模型家族可为 GNN。
3. 预训练范式为自监督，下游目标仍是监督分类。

计算结果

GNN、自监督与节点分类可以同时描述同一项目，并非互斥选项。

处理前后对比

• 概览标签是整理问题的工具，不能替代算法细节、资源测量与验证实验。

1. 数据结构标签为图。
2. 候选模型家族可为 GNN。
3. 预训练范式为自监督，下游目标仍是监督分类。

• 建立后续专题学习路线
• 整理跨模型与训练范式的项目需求

• 看到序列就 Transformer
• 忽略简单基线
• 数据量等于独立样本

自监督学习是否是一种固定网络结构？

不是，它描述从数据自身构造监督信号的方式，可与 CNN、Transformer、GNN 等不同结构结合。

这个示例能说明什么边界？

概览标签是整理问题的工具，不能替代算法细节、资源测量与验证实验。