แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ

Meta-แบบทดสอบการเรียนรู้

ตรวจสอบว่าเมตาเลิร์นนิงฝึกฝนงานต่างๆ อย่างไร MAML ปรับการเริ่มต้นโมเดลอย่างไร และวิธีที่วิธีการต้นแบบจัดประเภทตัวอย่างสั้นๆ อย่างไร

เส้นทางแนะนำที่เกี่ยวข้องMeta การเรียนรู้
คำถาม 1 ของ 8

เมตาเลิร์นนิงหรือ 'การเรียนรู้เพื่อเรียนรู้' มีจุดมุ่งหมายเพื่อให้บรรลุผลเป็นหลักคืออะไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. เมตาเลิร์นนิงหรือ 'การเรียนรู้เพื่อเรียนรู้' มีจุดมุ่งหมายเพื่อให้บรรลุผลเป็นหลักคืออะไร
    • ปรับตัวเข้ากับงานใหม่ได้อย่างรวดเร็วจากตัวอย่างบางส่วน
    • การจดจำชุดข้อมูลขนาดยักษ์ชุดเดียว
    • ขจัดความจำเป็นในการฝึกอบรมใดๆ
    • การบีบอัดโมเดลให้มีขนาดเป็นศูนย์
  2. ในระหว่างการฝึกอบรมเมตา โดยทั่วไปข้อมูลจะมีโครงสร้างอย่างไร
    • เป็นงานเดียวไม่มีการแบ่งแยก
    • งานจำนวนมาก แต่ละงานมีชุดการสนับสนุนและชุดแบบสอบถาม
    • ดังภาพหนึ่งซ้ำแล้วซ้ำอีก
    • เป็นเสียงที่ไม่มีป้ายกำกับเท่านั้น
  3. MAML เรียนรู้อะไร?
    • ตัวแยกประเภทคงที่ที่ไม่เคยเปลี่ยนแปลง
    • ชุดข้อมูลเชิงลบ
    • การเริ่มต้นโมเดลที่สามารถปรับให้เข้ากับงานใหม่ได้อย่างละเอียดในไม่กี่ขั้นตอน
    • ตัวแปลงสัญญาณการบีบอัด
  4. Prototypical Networks จำแนกตัวอย่างใหม่ได้อย่างไร
    • ด้วยการสร้างภาพใหม่ๆ
    • โดยการจดจำค่าพิกเซล
    • โดยการสุ่มเดา
    • โดยเปรียบเทียบกับต้นแบบชั้นเรียนที่เรียนรู้ในพื้นที่ฝัง
  5. บทบาทของวงในของ MAML คืออะไร?
    • เพื่อปรับโมเดลให้เข้ากับงานเฉพาะด้วยการไล่ระดับสีเพียงไม่กี่ขั้นตอน
    • เพื่อสับเปลี่ยนชุดข้อมูล
    • ในการลบพารามิเตอร์
    • เพื่อตั้งค่าอัตราการเรียนรู้ให้เป็นศูนย์
  6. 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
  7. 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
  8. 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