Fungsi Pengaruh untuk Kuiz Atribusi Data Latihan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. Soalan kontrafaktual apakah yang mempengaruhi fungsi anggaran?
   • Bagaimana kehilangan pada titik ujian akan berubah jika contoh latihan dialih keluar atau ditimbang
   • Sejauh mana ketepatan model secara purata
   • Betapa pantas model itu berlatih
   • Berapa banyak parameter model itu
2. Objek matematik yang manakah menjadikan pengiraan pengaruh tepat sukar dikawal untuk model besar?
   • Fungsi softmax
   • Hessian songsang bagi kerugian
   • Jadual kadar pembelajaran
   • Saiz batch
3. Siapa yang menyesuaikan fungsi pengaruh kepada pembelajaran mendalam moden dalam kertas 2017 yang terkenal?
   • Goodfellow dan Bengio
   • Vaswani et al.
   • Koh dan Liang
   • Hinton dan LeCun
4. Under Koh and Liang’s standard I_up,loss convention, what does a negative value indicate?
   • The point was not in the training data
   • Upweighting the point is estimated to increase test loss
   • The point has no relationship to the test example
   • Upweighting the point is estimated to lower test loss, so it is helpful
5. Anggaran manakah yang Anthropic gunakan untuk menskalakan mempengaruhi fungsi kepada model bahasa yang besar?
   • EK-FAC (kelengkungan berfaktor Kronecker)
   • Keciciran
   • Carian rasuk
   • Campuran
6. Apakah yang didapati oleh kajian berskala Anthropic tentang contoh yang berpengaruh?
   • Mereka sentiasa salinan tepat keluaran
   • Mereka sering berkongsi corak abstrak dan bukannya perkataan yang sama
   • Mereka diedarkan secara rawak
   • Hanya contoh latihan pertama yang penting
7. In the influence-function approximation, what connects a training-example gradient to the effect on a test loss?
   • The test set’s token count
   • A random forest over training labels
   • The inverse Hessian of the training loss
   • The model’s output vocabulary size
8. If removing one training example is estimated to increase a test point’s loss, what does that suggest about the example?
   • It was guaranteed to be a duplicate
   • It had no relationship to the model
   • It necessarily caused the model to overfit
   • It had a helpful influence on that test point under the approximation