اختبار مرتبط بالدليل · متوسط المستوى
اختبار التعلم متعدد المهام
اختبارات المشاركة الصعبة والناعمة للمهام، والأهداف الموزونة، والنقل السلبي، وطرق التعامل مع تدرجات المهام المتضاربة.
سؤال 1 من 8
كيف يتم إعداد نموذج التعلم متعدد المهام أثناء التدريب؟
معاينة كل سؤال8 أسئلة
تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.
- كيف يتم إعداد نموذج التعلم متعدد المهام أثناء التدريب؟
- تدريب نموذج واحد على عدة مهام مترابطة مع تمثيلات مشتركة
- تدريب نموذج منفصل لكل مهمة
- استخدام البيانات غير المسماة فقط لمهمة واحدة
- إزالة كافة الطبقات المخفية من الشبكة
- في شبكة MTL النموذجية ذات المعلمات الثابتة، ما هو المشترك وما هو المنفصل؟
- كل شيء منفصل لكل مهمة
- عمود فقري مشترك مع رؤوس إخراج خاصة بمهمة محددة
- تتم مشاركة وظيفة الخسارة فقط
- فقط بيانات الإدخال، وليس الطبقات أبدًا
- لماذا يمكن للتعلم متعدد المهام تحسين التعميم؟
- أنه يلغي الحاجة إلى أي بيانات
- يضمن عدم حدوث أي خطأ في التدريب
- تعمل الإشارات الصادرة عن المهام ذات الصلة على تنظيم التمثيل المشترك وتقليل التجهيز الزائد
- إنه يلغي الحاجة إلى رؤساء مهام محددة
- ما هو "النقل السلبي" في التعلم متعدد المهام؟
- عند إضافة المهام يسرع التدريب
- عندما يحتوي النموذج على عدد قليل جدًا من المعلمات
- عندما تشترك جميع المهام في نفس التسميات
- عندما يؤثر تعلم إحدى المهام على الأداء في مهمة أخرى بسبب الإشارات المتضاربة
- كيف تتشكل الخسارة الإجمالية عادة في التعلم متعدد المهام؟
- كمجموع مرجح لخسائر المهام الفردية
- من خلال اتخاذ أكبر خسارة مهمة فقط
- من خلال تجاهل جميع المهام باستثناء مهمة واحدة
- من خلال مضاعفة الخسائر معًا
- لماذا تعتبر نماذج اللغات الكبيرة متعددة المهام بطبيعتها؟
- يمكنهم فقط أداء مهمة ثابتة واحدة
- تتولى شبكة واحدة الترجمة والتلخيص والترميز والأسئلة والأجوبة
- يستخدمون نموذجًا مختلفًا لكل موجه
- لا يشاركون أبدًا المعلمات عبر المهام
- In soft parameter sharing, how are task models usually related?
- They use one identical model with no task-specific outputs
- They share no information and cannot exchange features
- They keep separate parameters but add a constraint or penalty encouraging similarity
- They share only the training labels
- What does PCGrad do when two task gradients conflict?
- It discards every task except the largest one
- It changes the task labels
- It replaces the shared backbone with separate datasets
- It projects away conflicting gradient components before combining updates