विनाशकारी विस्मृति प्रश्नोत्तरी

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. Which situation describes catastrophic forgetting in a neural network?
   • जब कोई नया कार्य सीखते हैं तो मॉडल पहले से सीखी गई क्षमताओं को खो देता है
   • जब अनुमान के दौरान किसी मॉडल की मेमोरी खत्म हो जाती है
   • जब प्रशिक्षण डेटा गलती से हटा दिया जाता है
   • जब कोई मॉडल किसी प्रश्न का उत्तर देने से इंकार कर देता है
2. तंत्रिका नेटवर्क में भयावह विस्मृति क्यों होती है?
   • क्योंकि प्रत्येक कार्य को स्वचालित रूप से अपना अलग नेटवर्क मिल जाता है
   • क्योंकि नए ग्रेडिएंट अपडेट पुराने कौशल को एन्कोड करने वाले साझा भार को अधिलेखित कर देते हैं
   • क्योंकि मॉडल एक से अधिक तथ्य संग्रहीत नहीं कर सकते
   • क्योंकि ध्यान परतें जानबूझकर डेटा हटाती हैं
3. भूलने की समस्या को कम करने के लिए इलास्टिक वेट कंसॉलिडेशन (ईडब्ल्यूसी) क्या करता है?
   • नए कार्य का डेटा हटा देता है
   • सीखने की दर दोगुनी हो जाती है
   • पहले सीखे गए कार्यों के लिए महत्वपूर्ण भारों में परिवर्तन को दंडित करता है
   • मॉडल से ध्यान हटाता है
4. अनुभव पुनरावृत्ति (रिहर्सल) भूलने से कैसे लड़ता है?
   • संपूर्ण मॉडल को स्थायी रूप से फ्रीज करके
   • केवल नवीनतम डेटा पर प्रशिक्षण द्वारा
   • परतों की संख्या कम करके
   • नए प्रशिक्षण के दौरान संग्रहीत पुराने उदाहरणों को जोड़कर
5. What does LoRA do to base-model weights when adding a task-specific adapter?
   • It freezes base weights and trains a low-rank adapter, which may reduce direct interference but does not guarantee retention
   • It rewrites every base weight for each new task
   • It stores no task-specific parameters
   • It guarantees zero forgetting on every task sequence
6. पुनर्प्राप्ति-संवर्धित दृष्टिकोण विनाशकारी भूल को कैसे दूर करता है?
   • पुराने ज्ञान को मिटाकर जगह बनानी है
   • नए ज्ञान को वज़न के बजाय बाहरी डेटाबेस में संग्रहीत करके
   • यादृच्छिक शोर पर लगातार प्रशिक्षण द्वारा
   • मॉडल की मेमोरी को पूरी तरह से अक्षम करके
7. How does Gradient Episodic Memory (GEM) constrain learning on a new task?
   • It removes old task examples from memory
   • It changes the model to a nearest-class-mean classifier
   • It adjusts the gradient so the first-order approximation does not increase loss on stored prior-task examples
   • It adds a KL penalty to every parameter regardless of task
8. How do RAG-Token and RAG-Sequence differ in the original RAG paper?
   • RAG-Token removes retrieval while RAG-Sequence removes generation
   • RAG-Sequence uses images while RAG-Token uses audio
   • RAG-Token trains without model parameters
   • RAG-Token marginalizes retrieved documents per output token, while RAG-Sequence uses one document for a whole sequence