Meta-Öğrenim Sınavı

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Meta-öğrenme veya 'öğrenmeyi öğrenme' öncelikle neyi başarmayı amaçlamaktadır?
   • Birkaç örnekten yeni görevlere hızlı adaptasyon
   • Dev bir veri kümesini ezberlemek
   • Herhangi bir eğitim ihtiyacını ortadan kaldırmak
   • Modelleri sıfır boyuta sıkıştırmak
2. Meta eğitim sırasında veriler genellikle nasıl yapılandırılır?
   • Bölünme olmayan tek bir görev olarak
   • Her biri bir destek kümesine ve bir sorgu kümesine sahip olan birçok görev
   • Bir görüntü tekrarlandığında
   • Yalnızca etiketlenmemiş gürültü olarak
3. MAML ne öğreniyor?
   • Hiçbir zaman değişmeyen sabit bir sınıflandırıcı
   • Negatiflerden oluşan bir veri kümesi
   • Birkaç adımda yeni görevlere ince ayar yapılabilecek bir model başlatma
   • Bir sıkıştırma kodeği
4. Prototip Ağları yeni örnekleri nasıl sınıflandırır?
   • Yeni görseller oluşturarak
   • Piksel değerlerini ezberleyerek
   • Rastgele tahmin yoluyla
   • Bunları bir yerleştirme alanındaki öğrenilmiş sınıf prototipleriyle karşılaştırarak
5. MAML'in iç döngüsünün rolü nedir?
   • Birkaç degrade adımla modeli belirli bir göreve uyarlamak için
   • Veri kümesini karıştırmak için
   • Parametreleri silmek için
   • Öğrenme oranını sıfıra ayarlamak için
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