Meta-Kuis Pembelajaran

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa tujuan utama pembelajaran meta, atau 'belajar untuk belajar'?
   • Adaptasi cepat terhadap tugas-tugas baru dari beberapa contoh
   • Menghafal satu kumpulan data raksasa
   • Menghilangkan kebutuhan akan pelatihan apa pun
   • Mengompresi model ke ukuran nol
2. Selama pelatihan meta, bagaimana biasanya struktur datanya?
   • Sebagai tugas tunggal tanpa pemisahan
   • Tugas sebanyak-banyaknya, masing-masing dengan kumpulan dukungan dan kumpulan kueri
   • Seperti yang terulang dalam satu gambar
   • Hanya sebagai suara yang tidak berlabel
3. Apa yang dipelajari MAML?
   • Pengklasifikasi tetap yang tidak pernah berubah
   • Kumpulan data negatif
   • Inisialisasi model yang dapat disesuaikan dengan tugas baru dalam beberapa langkah
   • Codec kompresi
4. Bagaimana Jaringan Prototipikal mengklasifikasikan contoh-contoh baru?
   • Dengan menghasilkan gambar baru
   • Dengan menghafal nilai piksel
   • Dengan menebak secara acak
   • Dengan membandingkannya dengan prototipe kelas yang dipelajari di ruang penyematan
5. Apa peran loop dalam MAML?
   • Untuk mengadaptasi model ke tugas tertentu dengan beberapa langkah gradien
   • Untuk mengacak kumpulan data
   • Untuk menghapus parameter
   • Untuk mengatur kecepatan pembelajaran ke nol
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