Quiz collegato alla guida · Medio Livello

Quiz di apprendimento multi-tasking

Controlla la condivisione delle attività hard e soft, gli obiettivi ponderati, il trasferimento negativo e i metodi per gestire gradienti di attività contrastanti.

Percorsi guida correlatiApprendimento multitasking
Domanda 1 di 8

Come viene impostato un modello di apprendimento multi-task durante la formazione?

Anteprima di ogni domanda8 domande

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

  1. Come viene impostato un modello di apprendimento multi-task durante la formazione?
    • Addestramento di un modello su diverse attività correlate con rappresentazioni condivise
    • Formazione di un modello separato per ogni attività
    • Utilizzo solo di dati senza etichetta per una singola attività
    • Rimozione di tutti i livelli nascosti da una rete
  2. In una tipica rete MTL con condivisione hardware dei parametri, cosa è condiviso e cosa è separato?
    • Tutto è separato per attività
    • Una spina dorsale condivisa con teste di output specifiche per attività
    • È condivisa solo la funzione di perdita
    • Solo i dati di input, mai i livelli
  3. Perché l’apprendimento multi-task può migliorare la generalizzazione?
    • Elimina la necessità di qualsiasi dato
    • Garantisce zero errori di addestramento
    • I segnali provenienti da compiti correlati regolarizzano la rappresentazione condivisa e riducono l’overfitting
    • Elimina la necessità di capi specifici per attività
  4. Cos'è il "trasferimento negativo" nell'apprendimento multi-task?
    • Quando si aggiungono attività si accelera la formazione
    • Quando il modello ha troppo pochi parametri
    • Quando tutte le attività condividono le stesse etichette
    • Quando l'apprendimento di un compito compromette le prestazioni di un altro a causa di segnali contrastanti
  5. Come si forma solitamente la perdita complessiva nell'apprendimento multi-task?
    • Come somma ponderata delle perdite di attività individuali
    • Prendendo solo la perdita di attività più grande
    • Ignorando tutti i compiti tranne uno
    • Moltiplicando insieme le perdite
  6. Perché i modelli linguistici di grandi dimensioni sono considerati intrinsecamente multitasking?
    • Possono eseguire solo un compito fisso
    • Un'unica rete gestisce la traduzione, il riepilogo, la codifica e le domande e risposte
    • Usano un modello diverso per ogni prompt
    • Non condividono mai i parametri tra le attività
  7. In soft parameter sharing, how are task models usually related?
    • They use one identical model with no task-specific outputs
    • They share no information and cannot exchange features
    • They keep separate parameters but add a constraint or penalty encouraging similarity
    • They share only the training labels
  8. What does PCGrad do when two task gradients conflict?
    • It discards every task except the largest one
    • It changes the task labels
    • It replaces the shared backbone with separate datasets
    • It projects away conflicting gradient components before combining updates