Questionário vinculado ao guia · Difícil Nível

Meta-Teste de aprendizagem

Revise como o meta-aprendizado treina entre tarefas, como o MAML adapta a inicialização do modelo e como os métodos de protótipo classificam exemplos de poucas tentativas.

Caminhos de guia relacionadosMeta Aprendizagem
Pergunta 1 de 8

O que a meta-aprendizagem, ou “aprender a aprender”, visa principalmente alcançar?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. O que a meta-aprendizagem, ou “aprender a aprender”, visa principalmente alcançar?
    • Adaptação rápida a novas tarefas a partir de poucos exemplos
    • Memorizando um conjunto de dados gigante
    • Eliminando a necessidade de qualquer treinamento
    • Compactando modelos para tamanho zero
  2. Durante o meta-treinamento, como os dados geralmente são estruturados?
    • Como uma tarefa única sem divisões
    • Tantas tarefas, cada uma com um conjunto de suporte e um conjunto de consultas
    • Como uma imagem repetida
    • Apenas como ruído não rotulado
  3. O que o MAML aprende?
    • Um classificador fixo que nunca muda
    • Um conjunto de dados de negativos
    • Uma inicialização de modelo que pode ser ajustada para novas tarefas em poucas etapas
    • Um codec de compressão
  4. Como as Redes Prototípicas classificam novos exemplos?
    • Gerando novas imagens
    • Memorizando valores de pixel
    • Por adivinhação aleatória
    • Comparando-os com protótipos de classes aprendidas em um espaço de incorporação
  5. Qual é a função do loop interno do MAML?
    • Para adaptar o modelo a uma tarefa específica com algumas etapas de gradiente
    • Para embaralhar o conjunto de dados
    • Para excluir parâmetros
    • Para definir a taxa de aprendizagem como 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