Meta-Kuiz Pembelajaran

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. Apakah yang ingin dicapai oleh meta-pembelajaran, atau 'belajar untuk belajar'?
   • Penyesuaian pantas kepada tugasan baharu daripada beberapa contoh
   • Menghafal satu set data gergasi
   • Menghapuskan keperluan untuk sebarang latihan
   • Memampatkan model kepada saiz sifar
2. Semasa latihan meta, bagaimanakah data biasanya berstruktur?
   • Sebagai satu tugas tanpa perpecahan
   • Sebanyak tugasan, setiap satu dengan set sokongan dan set pertanyaan
   • Seperti satu imej diulang
   • Sebagai bunyi yang tidak berlabel sahaja
3. Apakah yang dipelajari oleh MAML?
   • Pengelas tetap yang tidak pernah berubah
   • Satu set data negatif
   • Permulaan model yang boleh disesuaikan dengan tugas baharu dalam beberapa langkah
   • Codec mampatan
4. Bagaimanakah Rangkaian Prototaip mengklasifikasikan contoh baharu?
   • Dengan menghasilkan imej baharu
   • Dengan menghafal nilai piksel
   • Dengan meneka secara rawak
   • Dengan membandingkannya dengan prototaip kelas yang dipelajari dalam ruang benam
5. Apakah peranan gelung dalaman MAML?
   • Untuk menyesuaikan model kepada tugas tertentu dengan beberapa langkah kecerunan
   • Untuk merombak set data
   • Untuk memadam parameter
   • Untuk menetapkan kadar pembelajaran kepada sifar
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