Meta-학습 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 메타러닝, 즉 '학습을 위한 학습'의 주된 목표는 무엇입니까?
   • 몇 가지 예를 통해 새로운 작업에 빠르게 적응
   • 하나의 거대한 데이터 세트 암기
   • 교육이 필요하지 않음
   • 모델을 0 크기로 압축
2. 메타 훈련 중에 데이터는 일반적으로 어떻게 구성됩니까?
   • 분할되지 않은 단일 작업으로
   • 각각 지원 세트와 쿼리 세트가 있는 많은 작업
   • 하나의 이미지가 반복되면서
   • 라벨이 지정되지 않은 소음으로만
3. MAML은 무엇을 배우나요?
   • 절대 변하지 않는 고정 분류기
   • 네거티브 데이터 세트
   • 몇 단계만으로 새로운 작업에 맞게 미세 조정할 수 있는 모델 초기화
   • 압축 코덱
4. 프로토타입 네트워크는 새로운 사례를 어떻게 분류합니까?
   • 새로운 이미지를 생성하여
   • 픽셀값을 기억하여
   • 무작위 추측으로
   • 임베딩 공간에서 학습된 클래스 프로토타입과 비교함으로써
5. MAML의 내부 루프의 역할은 무엇입니까?
   • 몇 가지 그라데이션 단계를 통해 특정 작업에 모델을 적용하려면
   • 데이터세트를 섞으려면
   • 매개변수를 삭제하려면
   • 학습률을 0으로 설정하려면
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