Cuestionario vinculado a una guía · duro Nivel

Meta-Prueba de aprendizaje

Revise cómo el metaaprendizaje entrena entre tareas, cómo MAML adapta la inicialización del modelo y cómo los métodos prototipo clasifican ejemplos de pocas tomas.

Rutas de guía relacionadasMeta Aprendizaje
Pregunta 1 de 8

¿Qué pretende principalmente lograr el metaaprendizaje o "aprender a aprender"?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Qué pretende principalmente lograr el metaaprendizaje o "aprender a aprender"?
    • Rápida adaptación a nuevas tareas a partir de unos pocos ejemplos.
    • Memorizando un conjunto de datos gigante
    • Eliminando la necesidad de cualquier formación.
    • Comprimir modelos a tamaño cero
  2. Durante el metaentrenamiento, ¿cómo se suelen estructurar los datos?
    • Como una sola tarea sin divisiones
    • Tantas tareas, cada una con un conjunto de soporte y un conjunto de consultas.
    • Como se repite una imagen
    • Solo como ruido sin etiquetar
  3. ¿Qué aprende MAML?
    • Un clasificador fijo que nunca cambia.
    • Un conjunto de datos negativos
    • Una inicialización de modelo que se puede ajustar a nuevas tareas en unos pocos pasos.
    • Un códec de compresión
  4. ¿Cómo clasifican las redes prototípicas los nuevos ejemplos?
    • Generando nuevas imágenes
    • Memorizando valores de píxeles
    • Por adivinanzas aleatorias
    • Comparándolos con prototipos de clases aprendidas en un espacio integrado
  5. ¿Cuál es el papel del bucle interno de MAML?
    • Para adaptar el modelo a una tarea específica con unos pocos pasos de gradiente
    • Para mezclar el conjunto de datos
    • Para eliminar parámetros
    • Para establecer la tasa de aprendizaje en cero
  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