Útmutatóhoz kapcsolódó kvíz · Kemény Szint
Meta-Tanulási kvíz
Review how meta-learning trains across tasks, how MAML adapts model initialization, and how prototype methods classify few-shot examples.
kérdés 1 -ból 8
Mi az elsődleges célja a meta-learningnek vagy a „tanulás tanulásának” céljainak?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mi az elsődleges célja a meta-learningnek vagy a „tanulás tanulásának” céljainak?
- Gyors alkalmazkodás az új feladatokhoz néhány példából
- Egy óriási adathalmaz memorizálása
- Kiküszöböli a képzés szükségességét
- Modellek tömörítése nulla méretre
- A meta-tréning során általában hogyan épül fel az adatok?
- Egyetlen feladatként, megosztások nélkül
- Ahány feladat, mindegyikhez egy támogatáskészlet és egy lekérdezéskészlet tartozik
- Ahogy egy kép ismétlődött
- Csak címkézetlen zajként
- Mit tanul a MAML?
- Fix osztályozó, amely soha nem változik
- A negatívok adatkészlete
- Modell inicializálása, amely néhány lépésben finomhangolható az új feladatokhoz
- Egy tömörítési kodek
- Hogyan osztályozzák a prototípusos hálózatok az új példákat?
- Új képek generálásával
- A pixelértékek memorizálásával
- Véletlen találgatásokkal
- Összehasonlítva őket a tanult osztály prototípusaival egy beágyazási térben
- Mi a szerepe a MAML belső hurkának?
- A modell adaptálása egy adott feladathoz néhány színátmeneti lépéssel
- Az adatkészlet keveréséhez
- Paraméterek törléséhez
- A tanulási sebesség nullára állítása
- 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
- 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
- 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