Maswali ya Kujifunza ya Kazi nyingi

Majibu na maelezo huonekana unapojibu maswali.

1. Je, mtindo wa kujifunza wa kazi nyingi huwekwaje wakati wa mafunzo?
   • Kufundisha muundo mmoja juu ya kazi kadhaa zinazohusiana na uwakilishi wa pamoja
   • Kufundisha muundo tofauti kwa kila kazi
   • Kwa kutumia data isiyo na lebo kwa kazi moja pekee
   • Kuondoa tabaka zote zilizofichwa kutoka kwa mtandao
2. Katika mtandao wa kawaida wa kugawana parameta ya MTL, ni nini kinachoshirikiwa na ni nini tofauti?
   • Kila kitu ni tofauti kwa kila kazi
   • Uti wa mgongo ulioshirikiwa wenye vichwa vya matokeo mahususi vya kazi
   • Kitendaji cha upotezaji pekee ndicho kinachoshirikiwa
   • Data ya ingizo pekee, kamwe sio tabaka
3. Kwa nini ujifunzaji wa kazi nyingi unaweza kuboresha ujanibishaji?
   • Huondoa hitaji la data yoyote
   • Inahakikisha kosa la mafunzo ya sifuri
   • Mawimbi kutoka kwa kazi zinazohusiana hurekebisha uwakilishi ulioshirikiwa na kupunguza utumiaji kupita kiasi
   • Huondoa hitaji la vichwa mahususi vya kazi
4. 'Uhamisho hasi' ni nini katika ujifunzaji wa kazi nyingi?
   • Wakati wa kuongeza kazi huongeza kasi ya mafunzo
   • Wakati mfano una vigezo vichache sana
   • Wakati kazi zote zinashiriki lebo sawa
   • Wakati kujifunza kwa kazi moja kunadhuru utendaji kwa mwingine kutokana na ishara zinazokinzana
5. Je, hasara ya jumla inaundwaje katika kujifunza kwa kazi nyingi?
   • Kama jumla ya uzani wa hasara za kazi ya mtu binafsi
   • Kwa kuchukua tu hasara kubwa zaidi ya kazi
   • Kwa kupuuza kazi zote isipokuwa moja
   • Kwa kuzidisha hasara pamoja
6. Kwa nini miundo mikubwa ya lugha inachukuliwa kuwa ya kazi nyingi?
   • Wanaweza kufanya kazi moja tu isiyobadilika
   • Mtandao mmoja hushughulikia tafsiri, muhtasari, usimbaji na Maswali na Majibu
   • Wanatumia modeli tofauti kwa kila onyesho
   • Hawashiriki vigezo katika kazi zote
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