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.

Kapcsolódó útmutató utakTöbbfeladatos tanulás
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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