Викторина, связанная с руководством · Средний Уровень

Викторина для обучения многозадачности

Проверяет жесткое и мягкое разделение задач, взвешенные цели, отрицательный перенос и методы обработки конфликтующих градиентов задач.

Связанные направляющие путиМногозадачное обучение
Вопрос 1 из 8

Как настраивается модель многозадачного обучения во время обучения?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Как настраивается модель многозадачного обучения во время обучения?
    • Обучение одной модели нескольким связанным задачам с общими представлениями
    • Обучение отдельной модели под каждую задачу
    • Использование только немаркированных данных для одной задачи
    • Удаление всех скрытых слоев из сети
  2. В типичной сети MTL с жестким разделением параметров, что является общим, а что — отдельным?
    • Все отдельно по задачам
    • Общая магистраль с выходными головками для конкретных задач.
    • Общая только функция потерь
    • Только входные данные, а не слои
  3. Почему многозадачное обучение может улучшить обобщение?
    • Это устраняет необходимость в каких-либо данных
    • Это гарантирует нулевую ошибку обучения
    • Сигналы от связанных задач упорядочивают общее представление и уменьшают переобучение.
    • Это устраняет необходимость в головках для конкретных задач.
  4. Что такое «негативный перенос» в многозадачном обучении?
    • При добавлении задач ускоряется обучение
    • Когда модель имеет слишком мало параметров
    • Когда все задачи имеют одинаковые метки
    • Когда обучение одной задаче ухудшает выполнение другой из-за противоречивых сигналов
  5. Как обычно формируется общая потеря при многозадачном обучении?
    • Как взвешенная сумма потерь отдельных задач
    • Беря только наибольшую потерю задачи
    • Игнорируя все задачи, кроме одной
    • Умножая потери вместе
  6. Почему большие языковые модели считаются по своей сути многозадачными?
    • Они могут выполнять только одну фиксированную задачу.
    • Единая сеть занимается переводом, обобщением, кодированием и вопросами и ответами.
    • Они используют разные модели для каждой подсказки.
    • Они никогда не разделяют параметры между задачами.
  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