Kuiz Pembelajaran Pelbagai Tugas

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. Bagaimanakah model pembelajaran pelbagai tugas disediakan semasa latihan?
   • Melatih satu model tentang beberapa tugasan yang berkaitan dengan perwakilan bersama
   • Melatih model yang berasingan untuk setiap tugas
   • Menggunakan hanya data tidak berlabel untuk satu tugasan
   • Mengalih keluar semua lapisan tersembunyi daripada rangkaian
2. Dalam rangkaian MTL perkongsian parameter keras biasa, apakah yang dikongsi dan apakah yang berasingan?
   • Semuanya berasingan setiap tugas
   • Tulang belakang dikongsi dengan kepala output khusus tugas
   • Hanya fungsi kerugian dikongsi
   • Hanya data input, bukan lapisan
3. Mengapakah pembelajaran pelbagai tugas boleh meningkatkan generalisasi?
   • Ia menghapuskan keperluan untuk sebarang data
   • Ia menjamin ralat latihan sifar
   • Isyarat daripada tugasan yang berkaitan menormalkan perwakilan bersama dan mengurangkan overfitting
   • Ia menghilangkan keperluan untuk ketua khusus tugas
4. Apakah 'pemindahan negatif' dalam pembelajaran pelbagai tugas?
   • Apabila menambah tugas mempercepatkan latihan
   • Apabila model mempunyai terlalu sedikit parameter
   • Apabila semua tugasan berkongsi label yang sama
   • Apabila pembelajaran satu tugas menjejaskan prestasi yang lain disebabkan oleh isyarat yang bercanggah
5. Bagaimanakah kerugian keseluruhan biasanya terbentuk dalam pembelajaran pelbagai tugas?
   • Sebagai jumlah wajaran bagi kerugian tugas individu
   • Dengan mengambil hanya kehilangan tugas terbesar
   • Dengan mengabaikan semua kecuali satu tugas
   • Dengan mendarabkan kerugian bersama-sama
6. Mengapakah model bahasa yang besar dianggap sebagai pelbagai tugas?
   • Mereka hanya boleh melaksanakan satu tugas tetap
   • Satu rangkaian mengendalikan terjemahan, ringkasan, pengekodan dan Soal Jawab
   • Mereka menggunakan model yang berbeza untuk setiap gesaan
   • Mereka tidak pernah berkongsi parameter merentas tugasan
7. In soft parameter sharing, how are task models usually related?
   • They use one identical model with no task-specific outputs
   • They share no information and cannot exchange features
   • They keep separate parameters but add a constraint or penalty encouraging similarity
   • They share only the training labels
8. What does PCGrad do when two task gradients conflict?
   • It discards every task except the largest one
   • It changes the task labels
   • It replaces the shared backbone with separate datasets
   • It projects away conflicting gradient components before combining updates