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.

Gerelateerde gidspadenLeren met meerdere taken
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  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