แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการเรียนรู้แบบหลายงาน
ตรวจสอบการแบ่งปันงานที่ยากและเบา วัตถุประสงค์ที่มีการถ่วงน้ำหนัก การถ่ายโอนเชิงลบ และวิธีการจัดการกับการไล่ระดับงานที่ขัดแย้งกัน
คำถาม 1 ของ 8
มีการตั้งค่าโมเดลการเรียนรู้แบบหลายงานระหว่างการฝึกอบรมอย่างไร
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- มีการตั้งค่าโมเดลการเรียนรู้แบบหลายงานระหว่างการฝึกอบรมอย่างไร
- ฝึกอบรมโมเดลหนึ่งตัวในงานที่เกี่ยวข้องหลายงานโดยใช้การนำเสนอร่วมกัน
- ฝึกอบรมโมเดลแยกต่างหากสำหรับทุกงาน
- การใช้เฉพาะข้อมูลที่ไม่มีป้ายกำกับสำหรับงานเดียว
- การลบเลเยอร์ที่ซ่อนอยู่ทั้งหมดออกจากเครือข่าย
- ในเครือข่าย MTL ที่ใช้ร่วมกันแบบฮาร์ดพารามิเตอร์ อะไรที่ใช้ร่วมกันและอะไรแยกออกจากกัน
- ทุกอย่างแยกออกจากกันตามงาน
- แกนหลักที่ใช้ร่วมกันพร้อมหัวเอาต์พุตเฉพาะงาน
- แชร์เฉพาะฟังก์ชันการสูญเสียเท่านั้น
- เฉพาะข้อมูลที่ป้อนเท่านั้น ไม่เคยเป็นเลเยอร์
- เหตุใดการเรียนรู้แบบมัลติทาสก์จึงสามารถปรับปรุงลักษณะทั่วไปได้
- ช่วยลดความจำเป็นในการข้อมูลใดๆ
- รับประกันข้อผิดพลาดในการฝึกเป็นศูนย์
- สัญญาณจากงานที่เกี่ยวข้องทำให้การแสดงที่ใช้ร่วมกันเป็นปกติและลดการโอเวอร์ฟิต
- โดยไม่จำเป็นต้องมีหัวเรื่องเฉพาะงานอีกต่อไป
- 'การถ่ายโอนเชิงลบ' ในการเรียนรู้แบบหลายงานคืออะไร?
- เมื่อเพิ่มงานจะเร่งการฝึกอบรม
- เมื่อโมเดลมีพารามิเตอร์น้อยเกินไป
- เมื่องานทั้งหมดใช้ป้ายกำกับเดียวกัน
- เมื่อการเรียนรู้ของงานหนึ่งส่งผลเสียต่อประสิทธิภาพการทำงานของอีกงานหนึ่งเนื่องจากสัญญาณที่ขัดแย้งกัน
- การสูญเสียโดยรวมมักเกิดขึ้นจากการเรียนรู้แบบหลายงานอย่างไร
- เป็นผลรวมถ่วงน้ำหนักของการสูญเสียงานแต่ละรายการ
- โดยรับแต่การสูญเสียงานที่ใหญ่ที่สุดเท่านั้น
- โดยละเลยงานทั้งหมดยกเว้นงานเดียว
- โดยนำผลขาดทุนมาคูณกัน
- เหตุใดโมเดลภาษาขนาดใหญ่จึงถูกพิจารณาว่ามีหลายงานโดยธรรมชาติ
- พวกเขาสามารถปฏิบัติงานคงที่ได้เพียงงานเดียวเท่านั้น
- เครือข่ายเดียวจัดการการแปล การสรุป การเขียนโค้ด และการถามตอบ
- พวกเขาใช้โมเดลที่แตกต่างกันสำหรับแต่ละพร้อมท์
- พวกเขาไม่เคยแชร์พารามิเตอร์ระหว่างงาน
- 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
- 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