Meta-学習クイズ

クイズに答えると、答えと解説が表示されます。

1. メタ学習、つまり「学ぶための学習」は主に何を達成することを目的としていますか?
   • 少数の例から新しいタスクに迅速に適応
   • 1 つの巨大なデータセットを記憶する
   • あらゆるトレーニングの必要性を排除
   • モデルをゼロサイズに圧縮する
2. メタトレーニング中、データは通常どのように構造化されますか?
   • 分割のない単一のタスクとして
   • それぞれのタスクにサポート セットとクエリ セットが含まれる同数のタスク
   • 一つのイメージが繰り返されると
   • ラベルのないノイズとしてのみ
3. MAML は何を学習しますか?
   • 決して変更されない固定分類子
   • ネガティブなデータセット
   • いくつかのステップで新しいタスクに合わせて微調整できるモデルの初期化
   • 圧縮コーデック
4. プロトタイプネットワークは新しい例をどのように分類しますか?
   • 新しい画像を生成することで
   • ピクセル値を記憶することで
   • ランダムな推測により
   • 埋め込み空間で学習したクラス プロトタイプと比較することによって
5. MAML の内部ループの役割は何ですか?
   • いくつかの勾配ステップでモデルを特定のタスクに適応させるには
   • データセットをシャッフルするには
   • パラメータを削除するには
   • 学習率をゼロに設定するには
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