गाइड से जुड़ी प्रश्नोत्तरी · कठिन स्तर

Meta-लर्निंग क्विज़

समीक्षा करें कि मेटा-लर्निंग कैसे कार्यों को प्रशिक्षित करती है, एमएएमएल मॉडल आरंभीकरण को कैसे अनुकूलित करती है, और प्रोटोटाइप विधियां कुछ-शॉट उदाहरणों को कैसे वर्गीकृत करती हैं।

संबंधित मार्गदर्शक पथMeta सीखना
प्रश्न 1 का 8

मेटा-लर्निंग, या 'सीखना सीखना' का मुख्य लक्ष्य क्या हासिल करना है?

प्रत्येक प्रश्न का पूर्वावलोकन करें8 प्रश्न

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

  1. मेटा-लर्निंग, या 'सीखना सीखना' का मुख्य लक्ष्य क्या हासिल करना है?
    • कुछ उदाहरणों से नए कार्यों में तेजी से अनुकूलन
    • एक विशाल डेटासेट को याद रखना
    • किसी भी प्रशिक्षण की आवश्यकता को समाप्त करना
    • मॉडलों को शून्य आकार में संपीड़ित करना
  2. मेटा-प्रशिक्षण के दौरान, डेटा को आमतौर पर कैसे संरचित किया जाता है?
    • बिना किसी विभाजन के एकल कार्य के रूप में
    • कई कार्य, प्रत्येक एक समर्थन सेट और एक क्वेरी सेट के साथ
    • जैसे एक छवि दोहराई गई
    • केवल लेबल रहित शोर के रूप में
  3. एमएएमएल क्या सीखता है?
    • एक निश्चित क्लासिफायरियर जो कभी नहीं बदलता
    • नकारात्मक का एक डेटासेट
    • एक मॉडल आरंभीकरण जिसे कुछ चरणों में नए कार्यों के लिए ठीक किया जा सकता है
    • एक संपीड़न कोडेक
  4. प्रोटोटाइपिकल नेटवर्क नए उदाहरणों को कैसे वर्गीकृत करते हैं?
    • नई छवियाँ उत्पन्न करके
    • पिक्सेल मानों को याद करके
    • यादृच्छिक अनुमान से
    • एम्बेडिंग स्पेस में सीखे गए क्लास प्रोटोटाइप से उनकी तुलना करके
  5. MAML के आंतरिक लूप की क्या भूमिका है?
    • कुछ क्रमिक चरणों के साथ मॉडल को किसी विशिष्ट कार्य के लिए अनुकूलित करना
    • डेटासेट में फेरबदल करने के लिए
    • पैरामीटर हटाने के लिए
    • सीखने की दर को शून्य पर सेट करना
  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