แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ
Meta-แบบทดสอบการเรียนรู้
ตรวจสอบว่าเมตาเลิร์นนิงฝึกฝนงานต่างๆ อย่างไร MAML ปรับการเริ่มต้นโมเดลอย่างไร และวิธีที่วิธีการต้นแบบจัดประเภทตัวอย่างสั้นๆ อย่างไร
คำถาม 1 ของ 8
เมตาเลิร์นนิงหรือ 'การเรียนรู้เพื่อเรียนรู้' มีจุดมุ่งหมายเพื่อให้บรรลุผลเป็นหลักคืออะไร
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- เมตาเลิร์นนิงหรือ 'การเรียนรู้เพื่อเรียนรู้' มีจุดมุ่งหมายเพื่อให้บรรลุผลเป็นหลักคืออะไร
- ปรับตัวเข้ากับงานใหม่ได้อย่างรวดเร็วจากตัวอย่างบางส่วน
- การจดจำชุดข้อมูลขนาดยักษ์ชุดเดียว
- ขจัดความจำเป็นในการฝึกอบรมใดๆ
- การบีบอัดโมเดลให้มีขนาดเป็นศูนย์
- ในระหว่างการฝึกอบรมเมตา โดยทั่วไปข้อมูลจะมีโครงสร้างอย่างไร
- เป็นงานเดียวไม่มีการแบ่งแยก
- งานจำนวนมาก แต่ละงานมีชุดการสนับสนุนและชุดแบบสอบถาม
- ดังภาพหนึ่งซ้ำแล้วซ้ำอีก
- เป็นเสียงที่ไม่มีป้ายกำกับเท่านั้น
- MAML เรียนรู้อะไร?
- ตัวแยกประเภทคงที่ที่ไม่เคยเปลี่ยนแปลง
- ชุดข้อมูลเชิงลบ
- การเริ่มต้นโมเดลที่สามารถปรับให้เข้ากับงานใหม่ได้อย่างละเอียดในไม่กี่ขั้นตอน
- ตัวแปลงสัญญาณการบีบอัด
- Prototypical Networks จำแนกตัวอย่างใหม่ได้อย่างไร
- ด้วยการสร้างภาพใหม่ๆ
- โดยการจดจำค่าพิกเซล
- โดยการสุ่มเดา
- โดยเปรียบเทียบกับต้นแบบชั้นเรียนที่เรียนรู้ในพื้นที่ฝัง
- บทบาทของวงในของ MAML คืออะไร?
- เพื่อปรับโมเดลให้เข้ากับงานเฉพาะด้วยการไล่ระดับสีเพียงไม่กี่ขั้นตอน
- เพื่อสับเปลี่ยนชุดข้อมูล
- ในการลบพารามิเตอร์
- เพื่อตั้งค่าอัตราการเรียนรู้ให้เป็นศูนย์
- 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
- 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
- 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