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.

Související vodicí cestyVíceúkolové učení
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  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