แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการเรียนรู้แบบหลายงาน

ตรวจสอบการแบ่งปันงานที่ยากและเบา วัตถุประสงค์ที่มีการถ่วงน้ำหนัก การถ่ายโอนเชิงลบ และวิธีการจัดการกับการไล่ระดับงานที่ขัดแย้งกัน

เส้นทางแนะนำที่เกี่ยวข้องการเรียนรู้แบบหลายงาน
คำถาม 1 ของ 8

มีการตั้งค่าโมเดลการเรียนรู้แบบหลายงานระหว่างการฝึกอบรมอย่างไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. มีการตั้งค่าโมเดลการเรียนรู้แบบหลายงานระหว่างการฝึกอบรมอย่างไร
    • ฝึกอบรมโมเดลหนึ่งตัวในงานที่เกี่ยวข้องหลายงานโดยใช้การนำเสนอร่วมกัน
    • ฝึกอบรมโมเดลแยกต่างหากสำหรับทุกงาน
    • การใช้เฉพาะข้อมูลที่ไม่มีป้ายกำกับสำหรับงานเดียว
    • การลบเลเยอร์ที่ซ่อนอยู่ทั้งหมดออกจากเครือข่าย
  2. ในเครือข่าย MTL ที่ใช้ร่วมกันแบบฮาร์ดพารามิเตอร์ อะไรที่ใช้ร่วมกันและอะไรแยกออกจากกัน
    • ทุกอย่างแยกออกจากกันตามงาน
    • แกนหลักที่ใช้ร่วมกันพร้อมหัวเอาต์พุตเฉพาะงาน
    • แชร์เฉพาะฟังก์ชันการสูญเสียเท่านั้น
    • เฉพาะข้อมูลที่ป้อนเท่านั้น ไม่เคยเป็นเลเยอร์
  3. เหตุใดการเรียนรู้แบบมัลติทาสก์จึงสามารถปรับปรุงลักษณะทั่วไปได้
    • ช่วยลดความจำเป็นในการข้อมูลใดๆ
    • รับประกันข้อผิดพลาดในการฝึกเป็นศูนย์
    • สัญญาณจากงานที่เกี่ยวข้องทำให้การแสดงที่ใช้ร่วมกันเป็นปกติและลดการโอเวอร์ฟิต
    • โดยไม่จำเป็นต้องมีหัวเรื่องเฉพาะงานอีกต่อไป
  4. 'การถ่ายโอนเชิงลบ' ในการเรียนรู้แบบหลายงานคืออะไร?
    • เมื่อเพิ่มงานจะเร่งการฝึกอบรม
    • เมื่อโมเดลมีพารามิเตอร์น้อยเกินไป
    • เมื่องานทั้งหมดใช้ป้ายกำกับเดียวกัน
    • เมื่อการเรียนรู้ของงานหนึ่งส่งผลเสียต่อประสิทธิภาพการทำงานของอีกงานหนึ่งเนื่องจากสัญญาณที่ขัดแย้งกัน
  5. การสูญเสียโดยรวมมักเกิดขึ้นจากการเรียนรู้แบบหลายงานอย่างไร
    • เป็นผลรวมถ่วงน้ำหนักของการสูญเสียงานแต่ละรายการ
    • โดยรับแต่การสูญเสียงานที่ใหญ่ที่สุดเท่านั้น
    • โดยละเลยงานทั้งหมดยกเว้นงานเดียว
    • โดยนำผลขาดทุนมาคูณกัน
  6. เหตุใดโมเดลภาษาขนาดใหญ่จึงถูกพิจารณาว่ามีหลายงานโดยธรรมชาติ
    • พวกเขาสามารถปฏิบัติงานคงที่ได้เพียงงานเดียวเท่านั้น
    • เครือข่ายเดียวจัดการการแปล การสรุป การเขียนโค้ด และการถามตอบ
    • พวกเขาใช้โมเดลที่แตกต่างกันสำหรับแต่ละพร้อมท์
    • พวกเขาไม่เคยแชร์พารามิเตอร์ระหว่างงาน
  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