Mit dem Guide verknüpftes Quiz · Schwer Ebene

Meta-Lernquiz

Sehen Sie sich an, wie Meta-Learning aufgabenübergreifend trainiert, wie MAML die Modellinitialisierung anpasst und wie Prototypmethoden wenige Beispiele klassifizieren.

Verwandte FührungspfadeMeta Lernen
Frage 1 von 8

Was soll mit Meta-Lernen bzw. „Lernen lernen“ in erster Linie erreicht werden?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Was soll mit Meta-Lernen bzw. „Lernen lernen“ in erster Linie erreicht werden?
    • Schnelle Anpassung an neue Aufgaben anhand weniger Beispiele
    • Einen riesigen Datensatz auswendig lernen
    • Es ist keine Schulung mehr erforderlich
    • Komprimieren von Modellen auf die Größe Null
  2. Wie sind die Daten beim Meta-Training normalerweise strukturiert?
    • Als einzelne Aufgabe ohne Aufteilungen
    • Ebenso viele Aufgaben, jede mit einem Support-Set und einem Abfrage-Set
    • Wie ein Bild wiederholt
    • Nur als unbeschriftetes Geräusch
  3. Was lernt MAML?
    • Ein fester Klassifikator, der sich nie ändert
    • Ein Datensatz mit Negativen
    • Eine Modellinitialisierung, die in wenigen Schritten an neue Aufgaben angepasst werden kann
    • Ein Komprimierungscodec
  4. Wie klassifizieren Prototypische Netzwerke neue Beispiele?
    • Durch die Generierung neuer Bilder
    • Durch das Speichern von Pixelwerten
    • Durch zufälliges Erraten
    • Durch den Vergleich mit erlernten Klassenprototypen in einem Einbettungsraum
  5. Welche Rolle spielt die innere Schleife von MAML?
    • Um das Modell mit wenigen Gradientenschritten an eine bestimmte Aufgabe anzupassen
    • Um den Datensatz zu mischen
    • Parameter löschen
    • Um die Lernrate auf Null zu setzen
  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