Kvíz spojený s průvodcem · Těžko úroveň

Meta-Učební kvíz

Zjistěte, jak se meta-learning trénuje napříč úkoly, jak MAML přizpůsobuje inicializaci modelu a jak prototypové metody klasifikují několikanásobné příklady.

Související vodicí cestyMeta Učení
Otázka 1 z 8

Čeho se meta-learning neboli „učit se učit“ primárně snaží dosáhnout?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Čeho se meta-learning neboli „učit se učit“ primárně snaží dosáhnout?
    • Rychlé přizpůsobení novým úkolům z několika příkladů
    • Zapamatování jedné obří datové sady
    • Odpadá nutnost jakéhokoli školení
    • Komprese modelů na nulovou velikost
  2. Jak jsou během metatréninku data obvykle strukturována?
    • Jako jediný úkol bez rozdělování
    • Stejně jako mnoho úkolů, každý se sadou podpory a sadou dotazů
    • Jako jeden obrázek se opakoval
    • Pouze jako neoznačený hluk
  3. Co se MAML naučí?
    • Pevný klasifikátor, který se nikdy nemění
    • Soubor negativů
    • Inicializace modelu, kterou lze v několika krocích doladit na nové úkoly
    • Kompresní kodek
  4. Jak prototypové sítě klasifikují nové příklady?
    • Generováním nových obrázků
    • Pamatováním hodnot pixelů
    • Náhodným hádáním
    • Porovnáním s prototypy naučených tříd v prostoru pro vkládání
  5. Jaká je role vnitřní smyčky MAML?
    • Přizpůsobení modelu konkrétní úloze pomocí několika přechodových kroků
    • Pro zamíchání datové sady
    • Chcete-li odstranit parametry
    • Chcete-li nastavit rychlost učení na nulu
  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