Викторина, связанная с руководством · Жесткий Уровень

Meta-Обучающий тест

Узнайте, как метаобучение тренируется при выполнении различных задач, как MAML адаптирует инициализацию модели и как методы прототипирования классифицируют примеры с небольшим количеством попыток.

Связанные направляющие путиMeta Обучение
Вопрос 1 из 8

На что в первую очередь направлено метаобучение, или «обучение обучению»?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. На что в первую очередь направлено метаобучение, или «обучение обучению»?
    • Быстрая адаптация к новым задачам на нескольких примерах
    • Запоминание одного гигантского набора данных
    • Устранение необходимости в каком-либо обучении
    • Сжатие моделей до нулевого размера
  2. Как обычно структурируются данные во время метаобучения?
    • Как одна задача без разделения
    • Как можно больше задач, каждая из которых имеет набор поддержки и набор запросов.
    • Когда одно изображение повторялось
    • Только как немаркированный шум
  3. Чему учит MAML?
    • Фиксированный классификатор, который никогда не меняется
    • Набор данных негативов
    • Инициализация модели, которую можно настроить под новые задачи за несколько шагов.
    • Кодек сжатия
  4. Как прототипические сети классифицируют новые примеры?
    • Создавая новые изображения
    • Запоминая значения пикселей
    • Путем случайного угадывания
    • Сравнивая их с прототипами изученных классов в пространстве встраивания.
  5. Какова роль внутреннего цикла MAML?
    • Адаптировать модель к конкретной задаче за несколько шагов градиента
    • Чтобы перетасовать набор данных
    • Удаление параметров
    • Чтобы установить скорость обучения на ноль
  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