Kvíz spojený s průvodcem · Střední úroveň
Víceúlohový výukový kvíz
Kontroluje sdílení tvrdých a měkkých úkolů, vážené cíle, negativní přenos a metody pro řešení konfliktních gradientů úkolů.
Otázka 1 z 8
Jak se během školení nastavuje víceúkolový model učení?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jak se během školení nastavuje víceúkolový model učení?
- Trénink jednoho modelu na několika souvisejících úlohách se sdílenými reprezentacemi
- Školení samostatného modelu pro každý úkol
- Použití pouze neoznačených dat pro jeden úkol
- Odstranění všech skrytých vrstev ze sítě
- Co je v typické MTL síti se sdílením pevných parametrů sdílené a co oddělené?
- Vše je odděleno pro každý úkol
- Sdílená páteř s výstupními hlavami pro konkrétní úkoly
- Sdílí se pouze ztrátová funkce
- Pouze vstupní data, nikdy vrstvy
- Proč může víceúkolové učení zlepšit zobecnění?
- To eliminuje potřebu jakýchkoli dat
- Zaručuje nulovou chybu při tréninku
- Signály ze souvisejících úkolů regulují sdílenou reprezentaci a snižují nadměrné vybavení
- Odstraňuje potřebu hlavy pro konkrétní úkoly
- Co je to „negativní přenos“ ve víceúkolovém učení?
- Při přidávání úkolů zrychluje trénink
- Když má model příliš málo parametrů
- Když všechny úkoly sdílejí stejné štítky
- Když učení jednoho úkolu poškozuje výkon u druhého kvůli protichůdným signálům
- Jak se obvykle tvoří celková ztráta při víceúkolovém učení?
- Jako vážený součet ztrát jednotlivých úkolů
- Tím, že vezmete jen největší ztrátu úkolu
- Ignorováním všech úkolů kromě jednoho
- Vynásobením ztrát dohromady
- Proč jsou velké jazykové modely považovány za víceúlohové?
- Mohou vykonávat pouze jeden pevný úkol
- Jedna síť se stará o překlad, sumarizaci, kódování a otázky a odpovědi
- Pro každou výzvu používají jiný model
- Nikdy nesdílejí parametry napříč úkoly
- 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
- 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