Quiz d'apprentissage multitâche

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

1. Comment se met en place un modèle d’apprentissage multi-tâches pendant la formation ?
   • Entraîner un modèle sur plusieurs tâches connexes avec des représentations partagées
   • Former un modèle distinct pour chaque tâche
   • Utiliser uniquement des données non étiquetées pour une seule tâche
   • Suppression de toutes les couches cachées d'un réseau
2. Dans un réseau MTL typique avec partage de paramètres stricts, qu'est-ce qui est partagé et qu'est-ce qui est séparé ?
   • Tout est séparé par tâche
   • Une structure partagée avec des têtes de sortie spécifiques aux tâches
   • Seule la fonction de perte est partagée
   • Uniquement les données d'entrée, jamais les couches
3. Pourquoi l’apprentissage multitâche peut-il améliorer la généralisation ?
   • Cela élimine le besoin de données
   • Il garantit zéro erreur de formation
   • Les signaux des tâches associées régularisent la représentation partagée et réduisent le surajustement
   • Cela supprime le besoin de chefs spécifiques à des tâches
4. Qu'est-ce que le « transfert négatif » dans l'apprentissage multitâche ?
   • Lorsque l'ajout de tâches accélère la formation
   • Lorsque le modèle a trop peu de paramètres
   • Quand toutes les tâches partagent les mêmes étiquettes
   • Lorsque l'apprentissage d'une tâche nuit aux performances d'une autre en raison de signaux contradictoires
5. Comment se forme généralement la perte globale dans l’apprentissage multitâche ?
   • En somme pondérée des pertes de tâches individuelles
   • En ne prenant que la plus grande perte de tâches
   • En ignorant toutes les tâches sauf une
   • En multipliant les pertes ensemble
6. Pourquoi les grands modèles de langage sont-ils considérés comme intrinsèquement multitâches ?
   • Ils ne peuvent effectuer qu'une seule tâche fixe
   • Un réseau unique gère la traduction, le résumé, le codage et les questions-réponses.
   • Ils utilisent un modèle différent pour chaque invite
   • Ils ne partagent jamais de paramètres entre les tâches
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