Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Folyamatos tanulás és katasztrofális felejtés kvíz

Review catastrophic forgetting, stability-plasticity, EWC, replay, task families, and continual-learning limits. Check scope and assumptions.

kérdés 1 -ból 8

Mi az a „katasztrofális felejtés”?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi az a „katasztrofális felejtés”?
    • Egy új feladat megtanulása jelentősen rontja a korábban tanult feladatok teljesítményét
    • Amikor egy modellnek elfogy a memóriája és összeomlik
    • Ha az edzésadatok véletlenül törlődnek
    • Amikor egy modell nem hajlandó jóslatokat tenni
  2. A folyamatos tanulás középpontjában álló kompromisszumot gyakran nevezik:
    • Bias-variance kompromisszum
    • Stabilitás-plaszticitás dilemma
    • Sebesség-pontosság kompromisszum
    • Kutatás-kitermelés kompromisszum
  3. Mit csinál a rugalmas súlykonszolidáció (EWC)?
    • Törli a nem fontos neuronokat
    • Megduplázza az új feladatok tanulási sebességét
    • Bünteti a korábban megtanult feladatokhoz fontos súlyok megváltoztatását
    • Minden korábbi edzéspéldát örökre tárol
  4. Hogyan küzdenek a visszajátszáson alapuló módszerek a felejtés ellen?
    • A teljes hálózat végleges lefagyasztásával
    • Nagyobb tanulási sebesség használatával
    • A veszteségfüggvény eltávolításával
    • A tárolt vagy generált régi példák új képzésbe való beillesztésével
  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. Miért okoz felejtést egy új feladat naiv finomhangolása?
    • A GPU túlmelegszik és megsérti a memóriát
    • A gradiens süllyedés a megosztott súlyokat az új feladat felé mozgatja anélkül, hogy meg kellene őriznie a régieket
    • Az új feladatok mindig több adattal rendelkeznek
    • A modell szándékosan törli a régi súlyokat
  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