แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการลืมภัยพิบัติ

ศึกษาว่าเหตุใดการเรียนรู้งานใหม่ๆ ตามลำดับจึงสามารถลดทักษะก่อนหน้านี้ได้ และวิธีที่วิธีการเรียนรู้อย่างต่อเนื่องจัดการกับข้อดีข้อเสียอย่างไร

เส้นทางแนะนำที่เกี่ยวข้องการลืมอันหายนะ
คำถาม 1 ของ 8

Which situation describes catastrophic forgetting in a neural network?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. Which situation describes catastrophic forgetting in a neural network?
    • เมื่อการเรียนรู้งานใหม่จะทำให้แบบจำลองสูญเสียความสามารถที่เรียนรู้ก่อนหน้านี้
    • เมื่อโมเดลมีหน่วยความจำไม่เพียงพอระหว่างการอนุมาน
    • เมื่อข้อมูลการฝึกถูกลบโดยไม่ตั้งใจ
    • เมื่อนางแบบปฏิเสธที่จะตอบคำถาม
  2. เหตุใดการลืมหายนะจึงเกิดขึ้นในโครงข่ายประสาทเทียม
    • เพราะแต่ละงานจะมีเครือข่ายแยกกันโดยอัตโนมัติ
    • เนื่องจากการอัพเดตการไล่ระดับสีใหม่จะแทนที่น้ำหนักที่ใช้ร่วมกันซึ่งเข้ารหัสทักษะเก่า
    • เพราะโมเดลไม่สามารถเก็บข้อเท็จจริงได้มากกว่าหนึ่งข้อ
    • เนื่องจากชั้นความสนใจลบข้อมูลโดยตั้งใจ
  3. Elastic Weight Consolidation (EWC) ช่วยลดการลืมได้อย่างไร
    • ลบข้อมูลของงานใหม่
    • เพิ่มอัตราการเรียนรู้เป็นสองเท่า
    • ลงโทษการเปลี่ยนแปลงน้ำหนักที่สำคัญสำหรับงานที่เรียนรู้ก่อนหน้านี้
    • ขจัดความสนใจจากโมเดล
  4. ประสบการณ์การเล่นซ้ำ (ซ้อม) การต่อสู้ลืมได้อย่างไร?
    • โดยการแช่แข็งโมเดลทั้งหมดอย่างถาวร
    • โดยการฝึกอบรมเฉพาะข้อมูลใหม่ล่าสุดเท่านั้น
    • โดยการลดจำนวนชั้นลง
    • โดยการแทรกตัวอย่างเก่าที่เก็บไว้ระหว่างการฝึกอบรมใหม่
  5. What does LoRA do to base-model weights when adding a task-specific adapter?
    • It freezes base weights and trains a low-rank adapter, which may reduce direct interference but does not guarantee retention
    • It rewrites every base weight for each new task
    • It stores no task-specific parameters
    • It guarantees zero forgetting on every task sequence
  6. วิธีการดึงข้อมูลแบบเสริมจะหลีกเลี่ยงความหายนะที่ลืมได้อย่างไร?
    • ด้วยการลบความรู้เก่าๆ ออกไป เพื่อให้มีที่ว่าง
    • โดยการจัดเก็บองค์ความรู้ใหม่ไว้ในฐานข้อมูลภายนอกแทนการถ่วงน้ำหนัก
    • โดยการฝึกอย่างต่อเนื่องในเรื่องเสียงสุ่ม
    • โดยปิดการใช้งานหน่วยความจำของโมเดลทั้งหมด
  7. How does Gradient Episodic Memory (GEM) constrain learning on a new task?
    • It removes old task examples from memory
    • It changes the model to a nearest-class-mean classifier
    • It adjusts the gradient so the first-order approximation does not increase loss on stored prior-task examples
    • It adds a KL penalty to every parameter regardless of task
  8. How do RAG-Token and RAG-Sequence differ in the original RAG paper?
    • RAG-Token removes retrieval while RAG-Sequence removes generation
    • RAG-Sequence uses images while RAG-Token uses audio
    • RAG-Token trains without model parameters
    • RAG-Token marginalizes retrieved documents per output token, while RAG-Sequence uses one document for a whole sequence