Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Többfeladatos tanulási kvíz
Checks hard and soft task sharing, weighted objectives, negative transfer and methods for handling conflicting task gradients.
kérdés 1 -ból 8
Hogyan épül fel egy többfeladatos tanulási modell a képzés során?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Hogyan épül fel egy többfeladatos tanulási modell a képzés során?
- Egy modell betanítása több kapcsolódó feladatra megosztott reprezentációkkal
- Minden feladathoz külön modell betanítása
- Csak címkézetlen adatok használata egyetlen feladathoz
- Az összes rejtett réteg eltávolítása a hálózatból
- Egy tipikus kemény paramétermegosztó MTL hálózatban mi a megosztott és mi az elkülönített?
- Minden feladatonként külön történik
- Megosztott gerinchálózat feladatspecifikus kimeneti fejekkel
- Csak a veszteségfüggvény van megosztva
- Csak a bemeneti adatok, a rétegek soha
- Miért javíthatja a többfeladatos tanulás az általánosítást?
- Kiküszöböli az adatok szükségességét
- Ez garantálja a nulla edzési hibát
- A kapcsolódó feladatokból érkező jelek rendszeresítik a megosztott megjelenítést és csökkentik a túlillesztést
- Megszünteti a feladatspecifikus fejek szükségességét
- Mit jelent a „negatív transzfer” a többfeladatos tanulásban?
- Feladatok hozzáadása felgyorsítja az edzést
- Ha a modell túl kevés paraméterrel rendelkezik
- Amikor minden feladat ugyanazokat a címkéket használja
- Amikor egy feladat tanulása rontja a másik teljesítményét az ellentmondó jelek miatt
- Hogyan alakul ki általában az általános veszteség a többfeladatos tanulás során?
- Az egyes feladatveszteségek súlyozott összegeként
- Csak a legnagyobb feladatveszteséget vállalva
- Egy kivételével az összes feladat figyelmen kívül hagyásával
- A veszteségek összeszorzásával
- Miért tekintik a nagy nyelvi modelleket eredendően többfeladatosnak?
- Csak egy rögzített feladatot tudnak végrehajtani
- Egyetlen hálózat kezeli a fordítást, az összegzést, a kódolást és a kérdéseket és válaszokat
- Minden prompthoz más-más modellt használnak
- Soha nem osztják meg a paramétereket a feladatok között
- In soft parameter sharing, how are task models usually related?
- They use one identical model with no task-specific outputs
- They share no information and cannot exchange features
- They keep separate parameters but add a constraint or penalty encouraging similarity
- They share only the training labels
- What does PCGrad do when two task gradients conflict?
- It discards every task except the largest one
- It changes the task labels
- It replaces the shared backbone with separate datasets
- It projects away conflicting gradient components before combining updates