Test legat de ghid · Greu Nivel
Meta-Quiz de învățare
Review how meta-learning trains across tasks, how MAML adapts model initialization, and how prototype methods classify few-shot examples.
Întrebare 1 de 8
Ce urmărește în primul rând să realizeze meta-învățarea sau „învățarea să înveți”?
Previzualizează fiecare întrebare8 întrebări
Răspunsurile și explicațiile apar pe măsură ce susțineți testul.
- Ce urmărește în primul rând să realizeze meta-învățarea sau „învățarea să înveți”?
- Adaptare rapidă la sarcini noi din câteva exemple
- Memorarea unui set de date uriaș
- Eliminarea necesității oricărei instruiri
- Comprimarea modelelor la dimensiunea zero
- În timpul meta-trainingului, cum sunt de obicei structurate datele?
- Ca o singură sarcină, fără împărțiri
- Tot atâtea sarcini, fiecare cu un set de suport și un set de interogări
- După cum s-a repetat o imagine
- Numai ca zgomot neetichetat
- Ce învață MAML?
- Un clasificator fix care nu se schimbă niciodată
- Un set de date de negative
- O inițializare a modelului care poate fi reglată fin la sarcini noi în câțiva pași
- Un codec de compresie
- Cum clasifică rețelele prototip noile exemple?
- Prin generarea de noi imagini
- Prin memorarea valorilor pixelilor
- Prin ghicire aleatorie
- Comparându-le cu prototipurile de clasă învățate într-un spațiu de încorporare
- Care este rolul buclei interioare a MAML?
- Pentru a adapta modelul la o sarcină specifică cu câțiva pași de gradient
- Pentru a amesteca setul de date
- Pentru a șterge parametrii
- Pentru a seta rata de învățare la zero
- 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
- 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
- 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