Quiz sur l’apprentissage continu et l’oubli catastrophique

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Qu’est-ce que « l’oubli catastrophique » ?
   • Lorsque l'apprentissage d'une nouvelle tâche dégrade fortement les performances des tâches précédemment apprises
   • Lorsqu'un modèle manque de mémoire et plante
   • Lorsque les données d'entraînement sont accidentellement supprimées
   • Quand un modèle refuse de faire des prédictions
2. Le compromis au cœur de l’apprentissage continu est souvent appelé :
   • Compromis biais-variance
   • Dilemme stabilité-plasticité
   • Compromis vitesse-précision
   • Compromis exploration-exploitation
3. À quoi sert la consolidation de poids élastique (EWC) ?
   • Supprime les neurones sans importance
   • Double le taux d'apprentissage pour les nouvelles tâches
   • Pénalise les changements de poids importants pour les tâches apprises précédemment
   • Stocke pour toujours chaque exemple de formation passé
4. Comment les méthodes basées sur le replay luttent-elles contre l’oubli ?
   • En gelant définitivement tout le réseau
   • En utilisant un taux d'apprentissage plus élevé
   • En supprimant la fonction de perte
   • En entrelaçant d'anciens exemples stockés ou générés dans une nouvelle formation
5. How does Gradient Episodic Memory (GEM) constrain a gradient update while learning a new task?
   • It projects the gradient so its first-order approximation does not increase loss on stored prior-task examples
   • It replaces all prior-task data with new examples
   • It freezes every parameter for all future tasks
   • It increases weights that were unimportant to earlier tasks
6. Pourquoi un réglage naïf d’une nouvelle tâche provoque-t-il l’oubli ?
   • Le GPU surchauffe et corrompt la mémoire
   • La descente de gradient déplace les poids partagés vers la nouvelle tâche sans contrainte de préserver les anciennes.
   • Les nouvelles tâches contiennent toujours plus de données
   • Le modèle supprime intentionnellement les anciens poids
7. How does iCaRL classify a test example after learning multiple classes?
   • By retrieving the single closest word in a text corpus
   • By selecting the class with the largest Fisher information
   • By comparing its feature vector with per-class means computed from stored exemplars
   • By replaying every training image at inference
8. Why is evaluating continual learning more than measuring final accuracy on the newest task?
   • New-task accuracy is the only relevant measure
   • Old tasks are removed from the evaluation
   • The model cannot be tested on multiple tasks
   • A method must also measure retention on prior tasks and its ability to learn new ones