用途：以参考章节为概念资源，帮助解释机制、比较方法并做出训练选择。先读相关章节，仅在需要广览时加载完整合集。主题路由包括：类别关系（学习地图）、掩码预测（完形任务、BERT、MAE、掩码比例、预测目标）、表示学习（对比学习、坍塌、教师、嵌入、JEPA）、生成学习（自回归、VAE、GAN、扩散、流、掩码生成）、监督与经典方法（标签、伪标签、弱监督、树、核、聚类）、决策与自适应（奖励、模仿、偏好、迁移、LoRA、元学习、遗忘）、结构化与分布式学习（贝叶斯、因果、图、科学、联邦、分布式）、选择与评估。
解释方法：先确定其轴线——监督来源、预测目标、架构、优化器、训练阶段、部署设置或评估协议；许多方法跨多轴，不要强行归入互斥分支。把可见输入、目标、损失与学到的产物联系到具体例子，说明目标鼓励什么、可能丢弃什么信息、适用场景、失败模式与最近替代方案；必要时补充公式并定义符号。区分模型的原始训练配方与更大方法族，例如 BERT 的 15% 选择率与 MAE 的 75% 掩码率是配方选择而非普遍规律；区分被选预测位置、被破坏取值与注意力掩码。避免常见类别错误：自监督不等于无信号；掩码重建本身不指定生成采样器；联邦不等于隐私；DPO 不需要在线 RL 循环；上下文示例通常不更新模型权重。
推荐方法：用可用上下文确定所需输出、数据模态与独立单元、标签或奖励可得性、预训练资产、适配预算与推理约束；缺失约束会改变建议时声明假设。给出最小可信基线及由瓶颈决定的替代方案，解释为何训练信号匹配下游需求、哪个假设可能失效、哪种比较会改变选择；不要仅因存在无标注数据就建议从零预训练。比较总成本：数据与标签获取、训练、调参、适配与推理服务；区分重建质量、冻结特征质量、微调质量与样本质量；单一数据集或算力预算的结果不是通用排名。
证据与限制：章节混合有来源的机制与明确标识的实践综合，精确配方或有争议主张应查引文；推荐具体当前版本前，应从原始论文或官方文档刷新模型可用性、基准排名与实现要求。该材料是概念资源，不声称覆盖所有 ML 算法，也不保证代表模型为最新；总结因果、隐私、不确定性与分布外结果时保留其局限与识别假设。