Вікторина, пов’язана з посібником · важко Рівень

Meta-Навчальна вікторина

Перегляньте, як метанавчання тренується між завданнями, як MAML адаптує ініціалізацію моделі та як методи прототипів класифікують невеликі приклади.

Пов'язані напрямні шляхиMeta Навчання
Питання 1 з 8

Що мета-навчання, або «навчання вчитися», в першу чергу має на меті досягти?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Що мета-навчання, або «навчання вчитися», в першу чергу має на меті досягти?
    • Швидка адаптація до нових завдань на кількох прикладах
    • Запам'ятовування одного гігантського набору даних
    • Усунення необхідності будь-яких тренувань
    • Стиснення моделей до нульового розміру
  2. Як зазвичай структуруються дані під час мета-навчання?
    • Як одне завдання без поділів
    • Скільки завдань, кожне з набором підтримки та набором запитів
    • Як один образ повторився
    • Лише як немаркований шум
  3. Що вивчає MAML?
    • Фіксований класифікатор, який ніколи не змінюється
    • Набір даних негативів
    • Ініціалізація моделі, яку можна налаштувати для нових завдань за кілька кроків
    • Кодек стиснення
  4. Як Prototypical Networks класифікують нові приклади?
    • Створюючи нові зображення
    • Запам'ятовуючи значення пікселів
    • Шляхом випадкового відгадування
    • Порівнюючи їх із вивченими прототипами класів у просторі вбудовування
  5. Яка роль внутрішнього циклу MAML?
    • Щоб адаптувати модель до конкретного завдання за допомогою кількох градієнтних кроків
    • Щоб перетасувати набір даних
    • Для видалення параметрів
    • Щоб встановити швидкість навчання на нуль
  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