Quiz collegato alla guida · Medio Livello

Quiz sull'oblio catastrofico

Studia il motivo per cui l'apprendimento sequenziale di nuovi compiti può degradare le competenze precedenti e in che modo i metodi di apprendimento continuo affrontano il compromesso.

Percorsi guida correlatiDimenticanza catastrofica
Domanda 1 di 8

Which situation describes catastrophic forgetting in a neural network?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Which situation describes catastrophic forgetting in a neural network?
    • Quando l'apprendimento di una nuova attività fa sì che un modello perda le abilità precedentemente apprese
    • Quando un modello esaurisce la memoria durante l'inferenza
    • Quando i dati di allenamento vengono eliminati accidentalmente
    • Quando un modello si rifiuta di rispondere a una domanda
  2. Perché nelle reti neurali si verificano dimenticanze catastrofiche?
    • Perché ogni attività ottiene automaticamente la propria rete separata
    • Perché i nuovi aggiornamenti del gradiente sovrascrivono i pesi condivisi che codificavano le vecchie competenze
    • Perché i modelli non possono memorizzare più di un fatto
    • Perché i livelli di attenzione cancellano i dati di proposito
  3. Cosa fa il Consolidamento Elastico del Peso (EWC) per ridurre l’oblio?
    • Elimina i dati della nuova attività
    • Raddoppia il tasso di apprendimento
    • Penalizza le modifiche ai pesi importanti per le attività apprese in precedenza
    • Distoglie l'attenzione dal modello
  4. In che modo l'esperienza del replay (prova) combatte l'oblio?
    • Congelando l'intero modello in modo permanente
    • Addestrandosi solo sui dati più recenti
    • Riducendo il numero di strati
    • Interlacciando vecchi esempi memorizzati durante la nuova formazione
  5. What does LoRA do to base-model weights when adding a task-specific adapter?
    • It freezes base weights and trains a low-rank adapter, which may reduce direct interference but does not guarantee retention
    • It rewrites every base weight for each new task
    • It stores no task-specific parameters
    • It guarantees zero forgetting on every task sequence
  6. In che modo un approccio potenziato dal recupero evita l’oblio catastrofico?
    • Cancellando vecchie conoscenze per fare spazio
    • Memorizzando le nuove conoscenze in un database esterno invece che nei pesi
    • Allenandosi continuamente su rumori casuali
    • Disabilitando completamente la memoria del modello
  7. How does Gradient Episodic Memory (GEM) constrain learning on a new task?
    • It removes old task examples from memory
    • It changes the model to a nearest-class-mean classifier
    • It adjusts the gradient so the first-order approximation does not increase loss on stored prior-task examples
    • It adds a KL penalty to every parameter regardless of task
  8. How do RAG-Token and RAG-Sequence differ in the original RAG paper?
    • RAG-Token removes retrieval while RAG-Sequence removes generation
    • RAG-Sequence uses images while RAG-Token uses audio
    • RAG-Token trains without model parameters
    • RAG-Token marginalizes retrieved documents per output token, while RAG-Sequence uses one document for a whole sequence