اختبار مرتبط بالدليل · متوسط المستوى
مسابقة النسيان الكارثية
ادرس لماذا يمكن أن يؤدي تعلم المهام الجديدة بشكل متسلسل إلى تدهور المهارات السابقة وكيف تعالج أساليب التعلم المستمر هذه المقايضة.
سؤال 1 من 8
Which situation describes catastrophic forgetting in a neural network?
معاينة كل سؤال8 أسئلة
تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.
- Which situation describes catastrophic forgetting in a neural network?
- عندما يؤدي تعلم مهمة جديدة إلى فقدان النموذج لقدراته التي تعلمها مسبقًا
- عندما ينفد نموذج من الذاكرة أثناء الاستدلال
- عندما يتم حذف بيانات التدريب عن طريق الخطأ
- عندما يرفض النموذج الإجابة على سؤال
- لماذا يحدث النسيان الكارثي في الشبكات العصبية؟
- لأن كل مهمة تحصل على شبكتها المنفصلة تلقائيًا
- لأن التحديثات المتدرجة الجديدة تحل محل الأوزان المشتركة التي تشفر المهارات القديمة
- لأن النماذج لا يمكنها تخزين أكثر من حقيقة واحدة
- لأن طبقات الاهتمام تحذف البيانات عن قصد
- ما الذي يفعله نظام تثبيت الوزن المرن (EWC) لتقليل النسيان؟
- حذف بيانات المهمة الجديدة
- مضاعفة معدل التعلم
- يعاقب التغييرات في الأوزان المهمة للمهام التي تم تعلمها مسبقًا
- يزيل الانتباه عن النموذج
- كيف تحارب تجربة الإعادة (البروفة) النسيان؟
- عن طريق تجميد النموذج بأكمله بشكل دائم
- من خلال التدريب فقط على أحدث البيانات
- عن طريق تقليل عدد الطبقات
- من خلال تشذير الأمثلة القديمة المخزنة أثناء التدريب الجديد
- What does LoRA do to base-model weights when adding a task-specific adapter?
- It freezes base weights and trains a low-rank adapter, which may reduce direct interference but does not guarantee retention
- It rewrites every base weight for each new task
- It stores no task-specific parameters
- It guarantees zero forgetting on every task sequence
- كيف يمكن لنهج الاسترجاع المعزز أن يتجنب النسيان الكارثي؟
- عن طريق حذف المعرفة القديمة لإفساح المجال
- من خلال تخزين المعرفة الجديدة في قاعدة بيانات خارجية بدلاً من الأوزان
- من خلال التدريب المستمر على الضوضاء العشوائية
- من خلال تعطيل ذاكرة النموذج بالكامل
- How does Gradient Episodic Memory (GEM) constrain learning on a new task?
- It removes old task examples from memory
- It changes the model to a nearest-class-mean classifier
- It adjusts the gradient so the first-order approximation does not increase loss on stored prior-task examples
- It adds a KL penalty to every parameter regardless of task
- How do RAG-Token and RAG-Sequence differ in the original RAG paper?
- RAG-Token removes retrieval while RAG-Sequence removes generation
- RAG-Sequence uses images while RAG-Token uses audio
- RAG-Token trains without model parameters
- RAG-Token marginalizes retrieved documents per output token, while RAG-Sequence uses one document for a whole sequence