Prueba de aprendizaje multitarea

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

1. ¿Cómo se configura un modelo de aprendizaje multitarea durante la formación?
   • Entrenar un modelo en varias tareas relacionadas con representaciones compartidas
   • Entrenando un modelo separado para cada tarea
   • Usar solo datos sin etiquetar para una sola tarea
   • Eliminar todas las capas ocultas de una red
2. En una red MTL típica de intercambio estricto de parámetros, ¿qué se comparte y qué se separa?
   • Todo está separado por tarea.
   • Una columna vertebral compartida con cabezales de salida para tareas específicas
   • Solo se comparte la función de pérdida.
   • Sólo los datos de entrada, nunca las capas.
3. ¿Por qué el aprendizaje multitarea puede mejorar la generalización?
   • Elimina la necesidad de cualquier dato.
   • Garantiza cero errores de entrenamiento.
   • Las señales de tareas relacionadas regularizan la representación compartida y reducen el sobreajuste
   • Elimina la necesidad de jefes de tareas específicas.
4. ¿Qué es la "transferencia negativa" en el aprendizaje multitarea?
   • Cuando agregar tareas acelera el entrenamiento
   • Cuando el modelo tiene muy pocos parámetros.
   • Cuando todas las tareas comparten las mismas etiquetas
   • Cuando el aprendizaje de una tarea perjudica el desempeño de otra debido a señales contradictorias
5. ¿Cómo se suele formar la pérdida general en el aprendizaje multitarea?
   • Como suma ponderada de las pérdidas de tareas individuales.
   • Al tomar solo la mayor pérdida de tareas
   • Al ignorar todas las tareas menos una
   • Multiplicando las pérdidas juntas
6. ¿Por qué los modelos de lenguaje grandes se consideran inherentemente multitarea?
   • Sólo pueden realizar una tarea fija.
   • Una única red se encarga de la traducción, el resumen, la codificación y las preguntas y respuestas.
   • Usan un modelo diferente para cada mensaje.
   • Nunca comparten parámetros entre tareas.
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