Pembelajaran Berterusan dan Kuiz Pelupaan Malapetaka

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. Apakah 'pelupaan bencana'?
   • Apabila mempelajari tugasan baharu secara mendadak merendahkan prestasi pada tugasan yang dipelajari sebelum ini
   • Apabila model kehabisan memori dan ranap
   • Apabila data latihan dipadamkan secara tidak sengaja
   • Apabila model enggan membuat ramalan
2. Pertukaran di tengah-tengah pembelajaran berterusan sering dipanggil:
   • Tukar ganti bias-varian
   • Dilema kestabilan-keplastikan
   • Pertukaran ketepatan kelajuan
   • Penjelajahan-eksploitasi pertukaran
3. Apakah yang dilakukan oleh Elastic Weight Consolidation (EWC)?
   • Memadam neuron yang tidak penting
   • Menggandakan kadar pembelajaran untuk tugasan baharu
   • Menghukum perubahan pada pemberat yang penting untuk tugasan yang dipelajari sebelumnya
   • Menyimpan setiap contoh latihan lepas selama-lamanya
4. Bagaimanakah kaedah berasaskan ulang tayang memerangi lupa?
   • Dengan membekukan keseluruhan rangkaian secara kekal
   • Dengan menggunakan kadar pembelajaran yang lebih besar
   • Dengan mengalih keluar fungsi kehilangan
   • Dengan memasukkan contoh lama yang disimpan atau dijana ke dalam latihan baharu
5. How does Gradient Episodic Memory (GEM) constrain a gradient update while learning a new task?
   • It projects the gradient so its first-order approximation does not increase loss on stored prior-task examples
   • It replaces all prior-task data with new examples
   • It freezes every parameter for all future tasks
   • It increases weights that were unimportant to earlier tasks
6. Mengapakah penalaan halus yang naif pada tugas baharu menyebabkan terlupa?
   • GPU menjadi terlalu panas dan merosakkan memori
   • Penurunan kecerunan bergerak bersama pemberat ke arah tugasan baharu tanpa sebarang kekangan untuk mengekalkan tugasan lama
   • Tugasan baharu sentiasa mempunyai lebih banyak data
   • Model itu sengaja memadamkan pemberat lama
7. How does iCaRL classify a test example after learning multiple classes?
   • By retrieving the single closest word in a text corpus
   • By selecting the class with the largest Fisher information
   • By comparing its feature vector with per-class means computed from stored exemplars
   • By replaying every training image at inference
8. Why is evaluating continual learning more than measuring final accuracy on the newest task?
   • New-task accuracy is the only relevant measure
   • Old tasks are removed from the evaluation
   • The model cannot be tested on multiple tasks
   • A method must also measure retention on prior tasks and its ability to learn new ones