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.

Kapcsolódó útmutató utakMeta Tanulás
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  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