Çok Görevli Öğrenme Sınavı

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. How is a multi-task learning model set up during training?
   • Paylaşılan temsillerle bir modeli çeşitli ilgili görevlerde eğitmek
   • Her görev için ayrı bir model eğitmek
   • Tek bir görev için yalnızca etiketlenmemiş verileri kullanma
   • Bir ağdaki tüm gizli katmanları kaldırma
2. Tipik bir sabit parametre paylaşımlı MTL ağında neler paylaşılır ve neler ayrıdır?
   • Her şey göreve göre ayrıdır
   • Göreve özel çıktı kafalarına sahip paylaşılan bir omurga
   • Yalnızca kayıp işlevi paylaşılır
   • Yalnızca giriş verileri, asla katmanlar
3. Çok görevli öğrenme neden genellemeyi geliştirebilir?
   • Herhangi bir veriye olan ihtiyacı ortadan kaldırır
   • Sıfır eğitim hatasını garanti eder
   • İlgili görevlerden gelen sinyaller, paylaşılan gösterimi düzenler ve aşırı uyumu azaltır
   • Göreve özgü kafalara olan ihtiyacı ortadan kaldırır
4. Çok görevli öğrenmede 'negatif transfer' nedir?
   • Görev eklerken eğitimi hızlandırır
   • Modelin çok az parametresi olduğunda
   • Tüm görevler aynı etiketleri paylaştığında
   • Bir görevin öğrenilmesi, çelişen sinyaller nedeniyle diğerinin performansına zarar verdiğinde
5. Çok görevli öğrenmede genel kayıp genellikle nasıl oluşur?
   • Bireysel görev kayıplarının ağırlıklı toplamı olarak
   • Yalnızca en büyük görev kaybını alarak
   • Biri hariç tüm görevleri göz ardı ederek
   • Kayıpları çarparak
6. Büyük dil modelleri neden doğası gereği çok görevli olarak değerlendiriliyor?
   • Yalnızca tek bir sabit görevi gerçekleştirebilirler
   • Çeviri, özetleme, kodlama ve Soru-Cevap işlemlerini tek bir ağ yönetir
   • Her istem için farklı bir model kullanıyorlar
   • Görevler arasında parametreleri asla paylaşmazlar
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