แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการเรียนรู้อย่างต่อเนื่องและการลืมหายนะ

ทบทวนการลืมหายนะ ความเสถียร-พลาสติก EWC เล่นซ้ำ กลุ่มงาน และขีดจำกัดการเรียนรู้อย่างต่อเนื่อง ตรวจสอบขอบเขตและสมมติฐาน

คำถาม 1 ของ 8

'การลืมอย่างหายนะ' คืออะไร?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. 'การลืมอย่างหายนะ' คืออะไร?
    • เมื่อการเรียนรู้งานใหม่จะลดประสิทธิภาพการทำงานของงานที่เรียนรู้ก่อนหน้านี้อย่างมาก
    • เมื่อโมเดลมีหน่วยความจำไม่เพียงพอและขัดข้อง
    • เมื่อข้อมูลการฝึกถูกลบโดยไม่ตั้งใจ
    • เมื่อแบบจำลองปฏิเสธที่จะคาดการณ์
  2. การแลกเปลี่ยนที่เป็นหัวใจของการเรียนรู้อย่างต่อเนื่องมักเรียกว่า:
    • การแลกเปลี่ยนความแปรปรวนอคติ
    • ภาวะที่กลืนไม่เข้าคายไม่ออกด้านเสถียรภาพและความเป็นพลาสติก
    • การแลกเปลี่ยนความเร็วและความแม่นยำ
    • การแลกเปลี่ยนระหว่างการสำรวจและการแสวงหาผลประโยชน์
  3. Elastic Weight Consolidation (EWC) ทำหน้าที่อะไร
    • ลบเซลล์ประสาทที่ไม่สำคัญ
    • เพิ่มอัตราการเรียนรู้สำหรับงานใหม่เป็นสองเท่า
    • ลงโทษการเปลี่ยนแปลงน้ำหนักที่สำคัญสำหรับงานที่เรียนรู้ก่อนหน้านี้
    • จัดเก็บตัวอย่างการฝึกอบรมที่ผ่านมาทั้งหมดตลอดไป
  4. วิธีการเล่นซ้ำต่อสู้กับการลืมได้อย่างไร
    • โดยการแช่แข็งเครือข่ายทั้งหมดอย่างถาวร
    • โดยใช้อัตราการเรียนรู้ที่มากขึ้น
    • โดยการลบฟังก์ชันการสูญเสียออก
    • โดยการผสานการจัดเก็บหรือสร้างตัวอย่างเก่าๆ เข้ากับการฝึกอบรมใหม่
  5. How does Gradient Episodic Memory (GEM) constrain a gradient update while learning a new task?
    • It projects the gradient so its first-order approximation does not increase loss on stored prior-task examples
    • It replaces all prior-task data with new examples
    • It freezes every parameter for all future tasks
    • It increases weights that were unimportant to earlier tasks
  6. เหตุใดการปรับแต่งงานใหม่แบบไร้เดียงสาจึงทำให้เกิดการลืม
    • GPU ร้อนเกินไปและทำให้หน่วยความจำเสียหาย
    • การไล่ระดับสีจะย้ายตุ้มน้ำหนักที่ใช้ร่วมกันไปยังงานใหม่โดยไม่มีข้อจำกัดในการรักษาน้ำหนักเก่า
    • งานใหม่ย่อมมีข้อมูลมากกว่าเสมอ
    • โมเดลจงใจลบตุ้มน้ำหนักเก่า
  7. How does iCaRL classify a test example after learning multiple classes?
    • By retrieving the single closest word in a text corpus
    • By selecting the class with the largest Fisher information
    • By comparing its feature vector with per-class means computed from stored exemplars
    • By replaying every training image at inference
  8. Why is evaluating continual learning more than measuring final accuracy on the newest task?
    • New-task accuracy is the only relevant measure
    • Old tasks are removed from the evaluation
    • The model cannot be tested on multiple tasks
    • A method must also measure retention on prior tasks and its ability to learn new ones