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.

Percorsi guida correlatiMeta Apprendimento
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  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