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.
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.
- 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
- 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
- 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
- Jak prototypové sítě klasifikují nové příklady?
- Generováním nových obrázků
- Pamatováním hodnot pixelů
- Náhodným hádáním
- Porovnáním s prototypy naučených tříd v prostoru pro vkládání
- 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
- 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