Quiz collegato alla guida · Medio Livello
Quiz sull'apprendimento continuo e sull'oblio catastrofico
Esaminare l’oblio catastrofico, la plasticità della stabilità, il CAE, la riproduzione, le famiglie di compiti e i limiti dell’apprendimento continuo. Controllare l'ambito e le ipotesi.
Domanda 1 di 8
Cos'è l'"oblio catastrofico"?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Cos'è l'"oblio catastrofico"?
- Quando l'apprendimento di una nuova attività riduce drasticamente le prestazioni su attività apprese in precedenza
- Quando un modello esaurisce la memoria e si blocca
- Quando i dati di allenamento vengono eliminati accidentalmente
- Quando un modello si rifiuta di fare previsioni
- Il compromesso alla base dell’apprendimento continuo è spesso chiamato:
- Compromesso bias-varianza
- Dilemma stabilità-plasticità
- Compromesso tra velocità e precisione
- Compromesso esplorazione-sfruttamento
- Cosa fa il Consolidamento del Peso Elastico (EWC)?
- Elimina i neuroni non importanti
- Raddoppia il tasso di apprendimento per le nuove attività
- Penalizza le modifiche ai pesi importanti per le attività apprese in precedenza
- Memorizza per sempre ogni esempio di formazione precedente
- In che modo i metodi basati sul replay combattono l'oblio?
- Congelando permanentemente l'intera rete
- Utilizzando un tasso di apprendimento maggiore
- Rimuovendo la funzione di perdita
- Interlacciando vecchi esempi memorizzati o generati in una nuova formazione
- How does Gradient Episodic Memory (GEM) constrain a gradient update while learning a new task?
- It projects the gradient so its first-order approximation does not increase loss on stored prior-task examples
- It replaces all prior-task data with new examples
- It freezes every parameter for all future tasks
- It increases weights that were unimportant to earlier tasks
- Perché la messa a punto ingenua di una nuova attività causa l'oblio?
- La GPU si surriscalda e corrompe la memoria
- La discesa del gradiente sposta i pesi condivisi verso il nuovo compito senza alcun vincolo a preservare quelli vecchi
- Le nuove attività hanno sempre più dati
- Il modello elimina intenzionalmente i vecchi pesi
- How does iCaRL classify a test example after learning multiple classes?
- By retrieving the single closest word in a text corpus
- By selecting the class with the largest Fisher information
- By comparing its feature vector with per-class means computed from stored exemplars
- By replaying every training image at inference
- Why is evaluating continual learning more than measuring final accuracy on the newest task?
- New-task accuracy is the only relevant measure
- Old tasks are removed from the evaluation
- The model cannot be tested on multiple tasks
- A method must also measure retention on prior tasks and its ability to learn new ones