Κουίζ που συνδέεται με οδηγό · Σκληρό Επίπεδο

Meta-Κουίζ μάθησης

Εξετάστε τον τρόπο με τον οποίο η μετα-μάθηση εκπαιδεύεται σε όλες τις εργασίες, πώς το MAML προσαρμόζει την προετοιμασία του μοντέλου και πώς οι πρωτότυπες μέθοδοι ταξινομούν παραδείγματα λίγων λήψεων.

Σχετικές διαδρομές οδηγώνMeta Μάθηση
Ερώτηση 1 του 8

Τι στοχεύει πρωτίστως η μετα-μάθηση ή «μάθηση για μάθηση» να επιτύχει;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι στοχεύει πρωτίστως η μετα-μάθηση ή «μάθηση για μάθηση» να επιτύχει;
    • Γρήγορη προσαρμογή σε νέες εργασίες από λίγα παραδείγματα
    • Απομνημόνευση ενός τεράστιου δεδομένων
    • Εξάλειψη της ανάγκης για οποιαδήποτε εκπαίδευση
    • Συμπίεση μοντέλων σε μηδενικό μέγεθος
  2. Κατά τη μετα-εκπαίδευση, πώς είναι συνήθως δομημένα τα δεδομένα;
    • Ως ενιαία εργασία χωρίς διαχωρισμούς
    • Όσες εργασίες, καθεμία με ένα σύνολο υποστήριξης και ένα σύνολο ερωτημάτων
    • Όπως επαναλαμβανόταν μια εικόνα
    • Μόνο ως θόρυβος χωρίς ετικέτα
  3. Τι μαθαίνει το MAML;
    • Ένας σταθερός ταξινομητής που δεν αλλάζει ποτέ
    • Ένα σύνολο από αρνητικά στοιχεία
    • Μια προετοιμασία μοντέλου που μπορεί να προσαρμοστεί σε νέες εργασίες σε λίγα βήματα
    • Ένας κωδικοποιητής συμπίεσης
  4. Πώς ταξινομούν τα Prototypical Networks νέα παραδείγματα;
    • Με τη δημιουργία νέων εικόνων
    • Απομνημονεύοντας τιμές pixel
    • Με τυχαία εικασία
    • Συγκρίνοντάς τα με πρωτότυπα μαθησιακής τάξης σε χώρο ενσωμάτωσης
  5. Ποιος είναι ο ρόλος του εσωτερικού βρόχου του MAML;
    • Για να προσαρμόσετε το μοντέλο σε μια συγκεκριμένη εργασία με μερικά βήματα κλίσης
    • Για να ανακατέψετε το σύνολο δεδομένων
    • Για να διαγράψετε παραμέτρους
    • Για να ορίσετε το ρυθμό εκμάθησης στο μηδέν
  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