中科院某所研一新生，小样本学习、数据融合、强化学习、图神经网络、资源受限的计算这几个方向选哪个更好？ 第1页

申请博士的时候一般都有个面试环节。我面试的一个老师是做图论（graph）的，他面试前就说会考察我相关的知识。我是真的不太懂图，脑子里剩下的只有本科那点知识了。于是面试的时候我就开门见山的说，xxx老师我想先坦诚我对图懂得很少，您也可以考察一些其他机器学习的内容。他说我知道了，然后就开始狂问我图相关的内容，甚至在我多次表示不会的情况下，还引导我推理出相应的结论。

我理解这可能是一种压力测试或者观察逻辑思维，也可能是考察接收新知识的能力。但自那以后图（graph）相关的内容给我留下一定的心理阴影。即使后来我的导师是做graph的专家，我也还是避开了这个方向。

但是故事到这里并没有结束，我现在正好在（大概是世界上最好的GNN研究团队）的实习项目就是参与打磨一个图神经网络系统。为了不尸位素餐，我又抽空重新温习了从最基本的图到图神经网络相关的内容，现在也慢慢懂得多了些。

原来我也没那么害怕图。

我读博前是做集成学习的，包括在数据方面的融合和学习器的选择，而入读后两年的方向变成了系统相关的内容和自动机器学习，也包括元学习（meta-learning）和一丢丢小样本。这些转变是我两年前万万不会想到的。这么一算，这两年我已经至少做了四五六个方向了。

这些故事都是想说，你最终走到什么方向，是运气、实际条件、外在环境（比如论文的接收情况）等多重因素综合的结果。你开始从什么方向入手其实没那么重要，且有很大的概率有会换很多很多个方向，直到慢慢收敛到一个方向，完成自己的答辩。我可以比较负责的说，不管你开始的时候选择的方向是什么，大概率你毕业的时候已经不太做这个方向了。

就像大部分优化问题一样，虽然初始化很重要，但没有过多先验的初始化方法跟随机也差不多。从方法论上说，建议选择一个你自己没那么讨厌（甚至有点感兴趣），且你的导师深耕的领域。这样至少能确保有稳定的发表，不耽误毕业。等你熟悉了科研的流程，并慢慢找到了感兴趣且做的动的方向，后面的故事你就可以自由发挥了。

最后最后想说的是，如果未来的职业计划只是算法岗就业，没必要读博。做好科研，写好文章，早点毕业。没有啥比这个更好啦~~