Wielozadaniowy quiz edukacyjny

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. W jaki sposób podczas szkolenia ustalany jest wielozadaniowy model uczenia się?
   • Trenowanie jednego modelu w zakresie kilku powiązanych zadań ze wspólnymi reprezentacjami
   • Trening osobnego modelu do każdego zadania
   • Używanie wyłącznie nieoznaczonych danych do jednego zadania
   • Usuwanie wszystkich ukrytych warstw z sieci
2. Co jest wspólne, a co oddzielne w typowej sieci MTL ze stałym współdzieleniem parametrów?
   • Wszystko jest oddzielne dla każdego zadania
   • Wspólny szkielet z głowicami wyjściowymi dostosowanymi do konkretnych zadań
   • Udostępniona jest tylko funkcja straty
   • Tylko dane wejściowe, nigdy warstwy
3. Dlaczego uczenie się wielozadaniowe może poprawić uogólnianie?
   • Eliminuje to potrzebę jakichkolwiek danych
   • Gwarantuje zerowy błąd szkolenia
   • Sygnały z powiązanych zadań regulują reprezentację współdzieloną i redukują nadmierne dopasowanie
   • Eliminuje to potrzebę stosowania głowic przeznaczonych do konkretnych zadań
4. Co to jest „negatywny transfer” w uczeniu się wielozadaniowym?
   • Dodawanie zadań przyspiesza trening
   • Gdy model ma za mało parametrów
   • Gdy wszystkie zadania mają te same etykiety
   • Kiedy nauka jednego zadania pogarsza wydajność innego z powodu sprzecznych sygnałów
5. Jak zazwyczaj kształtuje się ogólna strata w przypadku uczenia się wielozadaniowego?
   • Jako suma ważona strat w poszczególnych zadaniach
   • Biorąc tylko największą stratę zadania
   • Ignorując wszystkie zadania z wyjątkiem jednego
   • Mnożąc straty razem
6. Dlaczego duże modele językowe są uważane za z natury wielozadaniowe?
   • Mogą wykonać tylko jedno stałe zadanie
   • Pojedyncza sieć obsługuje tłumaczenia, podsumowania, kodowanie oraz pytania i odpowiedzi
   • Używają innego modelu dla każdego monitu
   • Nigdy nie współdzielą parametrów między zadaniami
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