Quiz połączony z przewodnikiem · Ciężko Poziom

Meta – Quiz edukacyjny

Przejrzyj, w jaki sposób metauczenie się pociąga za sobą różne zadania, jak MAML dostosowuje inicjalizację modelu i jak metody prototypowe klasyfikują przykłady składające się z kilku strzałów.

Powiązane ścieżki prowadząceMeta Nauka
Pytanie 1 z 8

Jaki jest przede wszystkim cel meta-uczenia się, czyli „uczenia się, jak się uczyć”?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Jaki jest przede wszystkim cel meta-uczenia się, czyli „uczenia się, jak się uczyć”?
    • Szybka adaptacja do nowych zadań na podstawie kilku przykładów
    • Zapamiętywanie jednego gigantycznego zbioru danych
    • Eliminacja konieczności jakichkolwiek szkoleń
    • Kompresja modeli do rozmiaru zerowego
  2. Jaka jest zazwyczaj struktura danych podczas metaszkolenia?
    • Jako pojedyncze zadanie bez podziałów
    • Tyle samo zadań, każde z zestawem wsparcia i zestawem zapytań
    • Gdy jeden obraz się powtórzył
    • Tylko jako nieoznakowany hałas
  3. Czego uczy się MAML?
    • Stały klasyfikator, który nigdy się nie zmienia
    • Zestaw danych negatywów
    • Inicjalizacja modelu, którą można w kilku krokach dostosować do nowych zadań
    • Kodek kompresyjny
  4. Jak sieci prototypowe klasyfikują nowe przykłady?
    • Generując nowe obrazy
    • Zapamiętując wartości pikseli
    • Przez losowe zgadywanie
    • Porównując je z prototypami klas wyuczonych w przestrzeni osadzania
  5. Jaka jest rola wewnętrznej pętli MAML?
    • Aby dostosować model do konkretnego zadania za pomocą kilku stopni gradientu
    • Aby przetasować zbiór danych
    • Aby usunąć parametry
    • Aby ustawić szybkość uczenia się na zero
  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