গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর
ক্রমাগত শিক্ষা এবং বিপর্যয়মূলক ভুলে যাওয়া কুইজ
বিপর্যয়মূলক ভুলে যাওয়া, স্থিতিশীলতা-প্লাস্টিসিটি, EWC, রিপ্লে, টাস্ক ফ্যামিলি, এবং ক্রমাগত-শিক্ষার সীমা পর্যালোচনা করুন। সুযোগ এবং অনুমান পরীক্ষা করুন.
প্রশ্ন 1 এর 8
'বিপর্যয় ভুলে যাওয়া' কী?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- 'বিপর্যয় ভুলে যাওয়া' কী?
- একটি নতুন কাজ শেখার সময় পূর্বে শেখা কাজগুলির কার্যক্ষমতাকে তীব্রভাবে হ্রাস করে
- যখন একটি মডেল মেমরি ফুরিয়ে যায় এবং ক্র্যাশ হয়
- যখন প্রশিক্ষণের ডেটা দুর্ঘটনাক্রমে মুছে ফেলা হয়
- যখন একটি মডেল ভবিষ্যদ্বাণী করতে অস্বীকার করে
- ক্রমাগত শিক্ষার কেন্দ্রে বাণিজ্য বন্ধকে প্রায়ই বলা হয়:
- পক্ষপাত-প্রকরণ ট্রেডঅফ
- স্থায়িত্ব-প্লাস্টিসিটি দ্বিধা
- গতি-নির্ভুলতা ট্রেডঅফ
- অন্বেষণ-শোষণ বাণিজ্য
- ইলাস্টিক ওয়েট কনসোলিডেশন (EWC) কি করে?
- গুরুত্বহীন নিউরন মুছে দেয়
- নতুন কাজের জন্য শেখার হার দ্বিগুণ করে
- পূর্বে শেখা কাজগুলির জন্য গুরুত্বপূর্ণ ওজনের পরিবর্তনগুলিকে শাস্তি দেয়৷
- অতীতের প্রতিটি প্রশিক্ষণের উদাহরণ চিরতরে সংরক্ষণ করে
- কীভাবে রিপ্লে-ভিত্তিক পদ্ধতিগুলি ভুলে যাওয়ার বিরুদ্ধে লড়াই করে?
- স্থায়ীভাবে সমগ্র নেটওয়ার্ক হিমায়িত করে
- একটি বড় শেখার হার ব্যবহার করে
- ক্ষতি ফাংশন অপসারণ দ্বারা
- সঞ্চিত বা জেনারেট করা পুরানো উদাহরণগুলিকে নতুন প্রশিক্ষণে আন্তঃলিভ করে
- How does Gradient Episodic Memory (GEM) constrain a gradient update while learning a new task?
- It projects the gradient so its first-order approximation does not increase loss on stored prior-task examples
- It replaces all prior-task data with new examples
- It freezes every parameter for all future tasks
- It increases weights that were unimportant to earlier tasks
- কেন একটি নতুন টাস্কে সাদাসিধা ফাইন-টিউনিং ভুলে যাওয়ার কারণ?
- GPU অতিরিক্ত গরম করে এবং মেমরি নষ্ট করে
- গ্রেডিয়েন্ট ডিসেন্ট নতুন টাস্কের দিকে শেয়ার করা ওজন নিয়ে যায়, পুরানোগুলোকে সংরক্ষণ করার কোনো বাধা ছাড়াই
- নতুন কাজ সবসময় আরো তথ্য আছে
- মডেলটি ইচ্ছাকৃতভাবে পুরানো ওজন মুছে ফেলে
- How does iCaRL classify a test example after learning multiple classes?
- By retrieving the single closest word in a text corpus
- By selecting the class with the largest Fisher information
- By comparing its feature vector with per-class means computed from stored exemplars
- By replaying every training image at inference
- Why is evaluating continual learning more than measuring final accuracy on the newest task?
- New-task accuracy is the only relevant measure
- Old tasks are removed from the evaluation
- The model cannot be tested on multiple tasks
- A method must also measure retention on prior tasks and its ability to learn new ones