Quiz collegato alla guida · Difficile Livello
Meta-Quiz di apprendimento
Esamina come il meta-apprendimento si allena tra le attività, come MAML adatta l'inizializzazione del modello e come i metodi di prototipo classificano gli esempi di poche riprese.
Domanda 1 di 8
Che cosa mira principalmente a raggiungere il meta-apprendimento, o “imparare a imparare”?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Che cosa mira principalmente a raggiungere il meta-apprendimento, o “imparare a imparare”?
- Adattamento rapido a nuovi compiti da alcuni esempi
- Memorizzare un set di dati gigantesco
- Eliminando la necessità di qualsiasi formazione
- Compressione dei modelli a dimensione zero
- Durante la meta-formazione, come sono solitamente strutturati i dati?
- Come un'unica attività senza suddivisioni
- Altrettante attività, ciascuna con un set di supporto e un set di query
- Come si ripeteva un'immagine
- Solo come rumore senza etichetta
- Cosa impara MAML?
- Un classificatore fisso che non cambia mai
- Un set di dati di negativi
- Un'inizializzazione del modello che può essere ottimizzata per nuove attività in pochi passaggi
- Un codec di compressione
- In che modo le reti prototipiche classificano i nuovi esempi?
- Generando nuove immagini
- Memorizzando i valori dei pixel
- Per ipotesi casuale
- Confrontandoli con prototipi di classi apprese in uno spazio di incorporamento
- Qual è il ruolo del ciclo interno di MAML?
- Per adattare il modello a un compito specifico con pochi passaggi graduali
- Per mischiare il set di dati
- Per eliminare i parametri
- Per impostare il tasso di apprendimento su zero
- 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
- 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
- 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