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।

সম্পর্কিত গাইড পাথMeta শেখা
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।

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  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