标准回答
一、做法
MAE（Masked Autoencoder）随机遮挡约 75% 的图像 patch，编码器只对剩余可见 patch 计算表示，再把可见 token 与表示遮挡位置的 mask token 一起送入一个轻量解码器，重建被遮挡区域的像素，用重建损失训练，无需任何标注。
二、为什么有效
- 高遮挡比是关键：图像有大量空间冗余，若只遮一小块，靠相邻像素插值就能补全，模型学不到语义；遮掉 75% 后，必须理解物体结构与上下文才能重建，逼出语义级表征。
- 非对称结构高效：重型编码器只处理约 25% 的可见 patch，计算量大降；负担重的全 token 处理交给轻量解码器，因此能用较低成本预训练大 ViT。
- 预训练后丢掉解码器，编码器作为骨干迁移到下游任务，微调表现强。
三、与对比学习的差异
MAE 不需要数据增强设计与负样本，实现简单、对增强不敏感，属于生成式（重建式）自监督。
面试里不要只停在公式或名词，可以补 掩码自编码MAE这类自监督预训练为什么有效 对训练稳定性、泛化、收敛速度或显存/算力的影响。再说明一个常见调参或排错场景，面试官会更容易判断你真的用过这些方法。
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：语言里 BERT 遮 15% 就够，因为 token 语义密度高；图像空间冗余大，遮少了能靠插值蒙混过关，所以 MAE 必须用 75% 这样的高遮挡比，二者不可照搬。
追问
追问 1：MAE 的编码器为什么不处理被遮挡的 patch？
这是非对称设计的核心：编码器只接收可见 patch（约 25%），计算量随 token 数大幅下降，使训练大模型更省时省显存；mask token 只在轻量解码器阶段引入用于定位待重建位置。这样既高效又避免编码器把算力浪费在无信息的占位符上。
追问 2：MAE 重建像素而非高层特征，会不会学到的是低层信息？
不会。正因为遮挡比例高，无法靠局部纹理插值完成重建，模型必须依赖全局语义和物体结构来推断缺失区域，所以即便监督信号是像素，学到的表征仍偏语义。也有工作改为重建特征（如 HOG 或在线特征）进一步强化语义。
🔗 相似问题
同一考点的不同问法，换着练更稳
延伸学习
按主题分类的相关资源，便于系统复习