Κουίζ εκμάθησης Few-Shot

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. In an N-way K-shot classification episode, what does K count?
   • The number of classes
   • Labeled support examples per class
   • All parameters in the model
   • The number of optimization epochs
2. Όταν ένα μεγάλο γλωσσικό μοντέλο μαθαίνει σε ένα πλαίσιο από ένα μήνυμα προτροπής, τι συμβαίνει με τα βάρη του;
   • Προσαρμόζονται ελαφρώς στα προτρεπτικά παραδείγματα
   • Επαναφέρονται σε ένα σημείο ελέγχου για συγκεκριμένη εργασία
   • Μένουν αμετάβλητα. τα παραδείγματα ρυθμίζουν μόνο την πρόβλεψη
   • Υπολογίζονται κατά μέσο όρο με τα παραδείγματα ενσωματώσεων
3. Ποια είναι η βασική διαφορά μεταξύ της προτροπής μηδενικής βολής και προτροπής λίγων βολών;
   • Το Zero-shot δεν παρέχει επεξεργασμένα παραδείγματα. λίγα-shot παρέχει μερικά
   • Το Zero-shot χρησιμοποιεί ένα μικρότερο μοντέλο από το few-shot
   • Η μηδενική βολή έχει πάντα καλύτερη απόδοση από την ελάχιστη βολή
   • Το Zero-shot απαιτεί δεδομένα προπόνησης με ετικέτα, ενώ τα λίγα-shot όχι
4. How can prior learning contribute to a few-shot task?
   • It guarantees every arbitrary demonstration yields the intended rule
   • It requires copying each example as every final answer
   • It necessarily retrains all network weights during prompting
   • It can supply useful learned patterns or representations for interpreting the small support set
5. Ποιο περιγράφει μια μέθοδο μερικών λήψεων που βασίζεται σε μετρήσεις όπως ένα πρωτότυπο δίκτυο;
   • Γράφει παραδείγματα ετικετών σε μια βάση δεδομένων για αναζήτηση
   • Δημιουργεί συνθετικά παραδείγματα μέχρι να έχει χιλιάδες
   • Συγκρίνει ένα νέο δείγμα με τη μέση ενσωμάτωση των λίγων παραδειγμάτων κάθε τάξης και επιλέγει το πλησιέστερο
   • Χρησιμοποιεί ενισχυτική μάθηση από την ανθρώπινη ανατροφοδότηση
6. Ένας επαγγελματίας διαπιστώνει ότι η απλή αναδιάταξη των παραδειγμάτων σε μια προτροπή μερικών λήψεων αλλάζει την ακρίβεια. Τι δείχνει αυτό;
   • Ένα σφάλμα υλικού στη GPU
   • Αυτή η απόδοση λίγων λήψεων μπορεί να είναι ευαίσθητη στη σειρά παραδειγμάτων και τη μορφοποίηση
   • Ότι το μοντέλο προσαρμόζεται υπερβολικά στο σετ δοκιμής
   • Αυτό το μηδενικό σουτ θα ήταν αδύνατο
7. A class has embedded support points (0,0) and (2,0). What arithmetic-mean prototype does the stated prototypical method form?
   • (2,0)
   • (0,2)
   • (2,2)
   • (1,0)
8. Which distinction defines support and query roles in the original prototypical-network episode?
   • Support labels construct class prototypes; separate query items evaluate classification
   • Query labels must be copied into every support prototype
   • Support items contain no labels by definition
   • The two sets must always contain exactly the same sampled examples