Тест, свързан с ръководство · трудно Ниво

Meta-Учебен тест

Прегледайте как метаобучението се обучава между задачи, как MAML адаптира инициализацията на модела и как прототипните методи класифицират примери с няколко изстрела.

Свързани ръководни пътекиMeta Учене
Въпрос 1 на 8

Какво основно цели да постигне метаобучението или „да се научиш да учиш“?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво основно цели да постигне метаобучението или „да се научиш да учиш“?
    • Бърза адаптация към нови задачи от няколко примера
    • Запаметяване на един гигантски набор от данни
    • Премахване на необходимостта от каквото и да е обучение
    • Компресиране на модели до нулев размер
  2. По време на мета-обучение, как обикновено се структурират данните?
    • Като една задача без разделения
    • Колкото и много задачи, всяка с набор за поддръжка и набор от заявки
    • Като едно изображение се повтаря
    • Само като немаркиран шум
  3. Какво научава MAML?
    • Фиксиран класификатор, който никога не се променя
    • Набор от данни за негативи
    • Инициализация на модел, който може да бъде фино настроен за нови задачи в няколко стъпки
    • Кодек за компресиране
  4. Как Prototypical Networks класифицират нови примери?
    • Чрез генериране на нови изображения
    • Чрез запаметяване на стойностите на пикселите
    • Чрез произволно отгатване
    • Като ги сравнявате с научени прототипи на класове в пространство за вграждане
  5. Каква е ролята на вътрешния цикъл на MAML?
    • Да адаптирате модела към конкретна задача с няколко градиентни стъпки
    • За да разбъркате набора от данни
    • За изтриване на параметри
    • За да настроите скоростта на обучение на нула
  6. How does GPT-3 perform the few-shot demonstrations in the cited paper?
    • By updating all model weights after every example
    • By including examples in the prompt without gradient updates or fine-tuning
    • By storing one prototype per class
    • By running a MAML inner loop during inference
  7. In Reptile, how is the meta-initialization updated after adapting on a sampled task?
    • Replace the model with a nearest-neighbor table
    • Average class labels without updating parameters
    • Move the initialization toward the task-adapted parameters
    • Train a separate model for every example
  8. What computational shortcut distinguishes Reptile from the second-order MAML formulation?
    • It requires no gradient steps
    • It stores only class prototypes
    • It trains without tasks or task-specific data
    • It can use a first-order update without computing second-order derivatives