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.

Gerelateerde gidspadenMeta Leren
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  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