Gids-gekoppelde quiz · Middelmatig Niveau
Leerquiz voor meerdere taken
Controleert de verdeling van harde en zachte taken, gewogen doelstellingen, negatieve overdracht en methoden voor het omgaan met conflicterende taakgradiënten.
Vraag 1 van 8
How is a multi-task learning model set up during training?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- How is a multi-task learning model set up during training?
- Eén model trainen op verschillende gerelateerde taken met gedeelde representaties
- Voor elke taak een apart model trainen
- Alleen ongelabelde gegevens gebruiken voor één taak
- Het verwijderen van alle verborgen lagen uit een netwerk
- Wat wordt in een typisch MTL-netwerk met harde parameters gedeeld, gedeeld en wat is gescheiden?
- Per taak staat alles apart
- Een gedeelde backbone met taakspecifieke uitvoerkoppen
- Alleen de verliesfunctie wordt gedeeld
- Alleen de invoergegevens, nooit de lagen
- Waarom kan multi-task leren de generalisatie verbeteren?
- Het elimineert de behoefte aan gegevens
- Het garandeert nul trainingsfouten
- Signalen van gerelateerde taken regulariseren de gedeelde representatie en verminderen overfitting
- Het elimineert de noodzaak voor taakspecifieke hoofden
- Wat is 'negatieve overdracht' bij leren met meerdere taken?
- Bij het toevoegen van taken wordt de training versneld
- Wanneer het model te weinig parameters heeft
- Wanneer alle taken dezelfde labels hebben
- Wanneer het leren van de ene taak de prestaties van een andere taak schaadt vanwege tegenstrijdige signalen
- Hoe wordt het algehele verlies gewoonlijk gevormd bij leren met meerdere taken?
- Als een gewogen som van de individuele taakverliezen
- Door alleen het grootste taakverlies te nemen
- Door op één na alle taken te negeren
- Door de verliezen met elkaar te vermenigvuldigen
- Waarom worden grote taalmodellen als inherent multi-task beschouwd?
- Ze kunnen slechts één vaste taak uitvoeren
- Eén enkel netwerk verzorgt de vertaling, samenvatting, codering en vraag- en antwoordsessies
- Voor elke prompt gebruiken ze een ander model
- Ze delen nooit parameters tussen taken
- 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
- 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