Gids-gekoppelde quiz · Moeilijk Niveau
Meta-Leerquiz
Bekijk hoe meta-learning over taken heen traint, hoe MAML de modelinitialisatie aanpast en hoe prototypemethoden enkele voorbeelden classificeren.
Vraag 1 van 8
Wat wil meta-leren, oftewel ‘leren leren’, vooral bereiken?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat wil meta-leren, oftewel ‘leren leren’, vooral bereiken?
- Snelle aanpassing aan nieuwe taken uit enkele voorbeelden
- Eén gigantische dataset onthouden
- Elimineert de noodzaak van enige training
- Modellen comprimeren tot nulgrootte
- Hoe zijn de gegevens tijdens metatraining doorgaans gestructureerd?
- Als een enkele taak zonder splitsingen
- Evenveel taken, elk met een ondersteuningsset en een queryset
- Zoals één beeld zich herhaalde
- Alleen als ongelabelde ruis
- Wat leert MAML?
- Een vaste classificatie die nooit verandert
- Een dataset met negatieven
- Een modelinitialisatie die in een paar stappen kan worden afgestemd op nieuwe taken
- Een compressiecodec
- Hoe classificeren prototypische netwerken nieuwe voorbeelden?
- Door nieuwe beelden te genereren
- Door pixelwaarden te onthouden
- Door willekeurig te raden
- Door ze te vergelijken met prototypes van de geleerde klasse in een inbeddingsruimte
- Wat is de rol van de binnenlus van MAML?
- Om het model met enkele gradiëntstappen aan te passen aan een specifieke taak
- Om de gegevensset in willekeurige volgorde af te spelen
- Om parameters te verwijderen
- Om de leersnelheid op nul te zetten
- 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
- 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
- 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