গাইড লিঙ্ক ক্যুইজ · কঠিন স্তর
Meta-শিক্ষা কুইজ
পর্যালোচনা করুন কিভাবে মেটা-লার্নিং টাস্ক জুড়ে ট্রেন, কিভাবে MAML মডেল ইনিশিয়ালাইজেশনকে অভিযোজিত করে, এবং কিভাবে প্রোটোটাইপ পদ্ধতি কয়েকটি শট উদাহরণ শ্রেণীবদ্ধ করে।
প্রশ্ন 1 এর 8
মেটা-লার্নিং, বা 'শিখতে শেখা' প্রাথমিকভাবে কী অর্জনের লক্ষ্য রাখে?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- মেটা-লার্নিং, বা 'শিখতে শেখা' প্রাথমিকভাবে কী অর্জনের লক্ষ্য রাখে?
- কয়েকটি উদাহরণ থেকে নতুন কাজের সাথে দ্রুত অভিযোজন
- একটি বিশাল ডেটাসেট মনে রাখা
- কোনো প্রশিক্ষণের প্রয়োজন দূর করা
- মডেলগুলিকে শূন্য আকারে সংকুচিত করা হচ্ছে
- মেটা-প্রশিক্ষণের সময়, ডেটা সাধারণত কীভাবে গঠন করা হয়?
- কোন বিভাজন ছাড়া একটি একক কাজ হিসাবে
- যতগুলি কাজ, প্রতিটি একটি সমর্থন সেট এবং একটি ক্যোয়ারী সেট সহ
- একটি চিত্র পুনরাবৃত্তি হিসাবে
- শুধুমাত্র লেবেলবিহীন শব্দ হিসেবে
- MAML কি শিখে?
- একটি নির্দিষ্ট শ্রেণিবিন্যাসকারী যা কখনই পরিবর্তিত হয় না
- নেগেটিভের একটি ডেটাসেট
- একটি মডেল ইনিশিয়ালাইজেশন যা কয়েক ধাপে নতুন কাজের জন্য সূক্ষ্ম-টিউন করা যেতে পারে
- একটি কম্প্রেশন কোডেক
- প্রোটোটাইপিকাল নেটওয়ার্ক কিভাবে নতুন উদাহরণ শ্রেণীবদ্ধ করে?
- নতুন ছবি তৈরি করে
- পিক্সেল মান মনে রাখার মাধ্যমে
- এলোমেলো অনুমান দ্বারা
- এম্বেডিং স্পেসে শেখা ক্লাস প্রোটোটাইপের সাথে তাদের তুলনা করে
- MAML এর ভিতরের লুপের ভূমিকা কি?
- কয়েকটি গ্রেডিয়েন্ট ধাপ সহ একটি নির্দিষ্ট কাজের সাথে মডেলটিকে মানিয়ে নিতে
- ডেটাসেট এলোমেলো করতে
- পরামিতি মুছে ফেলার জন্য
- শেখার হার শূন্যে সেট করতে
- 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
- 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
- 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