Meta-Quiz d'apprentissage

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

1. Quel est l’objectif principal du méta-apprentissage, ou « apprendre à apprendre » ?
   • Adaptation rapide aux nouvelles tâches à partir de quelques exemples
   • Mémoriser un ensemble de données géant
   • Éliminer le besoin de toute formation
   • Compression des modèles à une taille nulle
2. Lors de la méta-formation, comment les données sont-elles généralement structurées ?
   • En tant que tâche unique sans fractionnement
   • Autant de tâches, chacune avec un ensemble de supports et un ensemble de requêtes
   • Comme une image répétée
   • Comme bruit non étiqueté uniquement
3. Qu'apprend MAML ?
   • Un classificateur fixe qui ne change jamais
   • Un ensemble de données de négatifs
   • Une initialisation du modèle qui peut être affinée à de nouvelles tâches en quelques étapes
   • Un codec de compression
4. Comment les réseaux prototypiques classent-ils les nouveaux exemples ?
   • En générant de nouvelles images
   • En mémorisant les valeurs des pixels
   • Par devinettes aléatoires
   • En les comparant à des prototypes de classes apprises dans un espace d'intégration
5. Quel est le rôle de la boucle interne de MAML ?
   • Pour adapter le modèle à une tâche spécifique avec quelques pas de dégradé
   • Pour mélanger l'ensemble de données
   • Pour supprimer des paramètres
   • Pour remettre le taux d’apprentissage à zéro
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