মাল্টি-টাস্ক লার্নিং কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. প্রশিক্ষণের সময় কিভাবে একটি মাল্টি-টাস্ক লার্নিং মডেল সেট আপ করা হয়?
   • ভাগ করা উপস্থাপনা সহ একাধিক সম্পর্কিত কাজের একটি মডেলকে প্রশিক্ষণ দেওয়া
   • প্রতিটি কাজের জন্য একটি পৃথক মডেল প্রশিক্ষণ
   • একটি একক কাজের জন্য শুধুমাত্র লেবেলবিহীন ডেটা ব্যবহার করা
   • একটি নেটওয়ার্ক থেকে সমস্ত লুকানো স্তর অপসারণ
2. একটি সাধারণ হার্ড-প্যারামিটার-শেয়ারিং MTL নেটওয়ার্কে, কী ভাগ করা হয় এবং কী আলাদা?
   • প্রতিটি কাজের জন্য আলাদা
   • টাস্ক-নির্দিষ্ট আউটপুট হেড সহ একটি ভাগ করা ব্যাকবোন
   • শুধুমাত্র ক্ষতি ফাংশন ভাগ করা হয়
   • শুধুমাত্র ইনপুট ডেটা, স্তরগুলি কখনই নয়৷
3. কেন মাল্টি-টাস্ক লার্নিং সাধারণীকরণ উন্নত করতে পারে?
   • এটি যেকোন ডেটার প্রয়োজনীয়তা দূর করে
   • এটি শূন্য প্রশিক্ষণ ত্রুটির গ্যারান্টি দেয়
   • সম্পর্কিত কাজগুলি থেকে সংকেতগুলি ভাগ করা প্রতিনিধিত্বকে নিয়মিত করে এবং অতিরিক্ত ফিটিং কমায়৷
   • এটি টাস্ক-নির্দিষ্ট হেডের প্রয়োজনকে সরিয়ে দেয়
4. মাল্টি-টাস্ক লার্নিংয়ে 'নেতিবাচক স্থানান্তর' কী?
   • কাজ যোগ করার সময় প্রশিক্ষণের গতি বাড়ায়
   • যখন মডেলের খুব কম প্যারামিটার থাকে
   • যখন সমস্ত কাজ একই লেবেল ভাগ করে
   • বিরোধপূর্ণ সংকেতের কারণে যখন একটি কাজ শেখার কারণে অন্যটির কর্মক্ষমতা ক্ষতিগ্রস্ত হয়
5. মাল্টি-টাস্ক শেখার সামগ্রিক ক্ষতি সাধারণত কিভাবে গঠিত হয়?
   • স্বতন্ত্র টাস্ক ক্ষতির একটি ওজনযুক্ত যোগফল হিসাবে
   • শুধুমাত্র সবচেয়ে বড় টাস্ক ক্ষতি গ্রহণ করে
   • একটি কাজ ছাড়া সব উপেক্ষা করে
   • ক্ষতি একসাথে গুণ করে
6. কেন বড় ভাষার মডেলগুলিকে সহজাতভাবে মাল্টি-টাস্ক হিসাবে বিবেচনা করা হয়?
   • তারা কেবল একটি নির্দিষ্ট কাজ সম্পাদন করতে পারে
   • একটি একক নেটওয়ার্ক অনুবাদ, সংক্ষিপ্তকরণ, কোডিং এবং প্রশ্নোত্তর পরিচালনা করে
   • তারা প্রতিটি প্রম্পটের জন্য একটি ভিন্ন মডেল ব্যবহার করে
   • তারা কখনই কাজ জুড়ে পরামিতি ভাগ করে না
7. 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
8. 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