گائیڈ سے منسلک کوئز · درمیانہ سطح

مسلسل سیکھنا اور تباہ کن بھولنے والا کوئز

تباہ کن فراموشی، استحکام-پلاسٹکٹی، EWC، ری پلے، ٹاسک فیملیز، اور مسلسل سیکھنے کی حدود کا جائزہ لیں۔ دائرہ کار اور مفروضوں کو چیک کریں۔

متعلقہ گائیڈ کے راستےمسلسل سیکھنا اور تباہ کن بھول جانا

سوال 1 کی 8

'تباہ کن فراموش' کیا ہے؟

ہر سوال کا جائزہ لیں۔8 سوالات

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

'تباہ کن فراموش' کیا ہے؟
- جب کوئی نیا کام سیکھتے ہیں تو پہلے سیکھے ہوئے کاموں کی کارکردگی میں تیزی سے کمی آتی ہے۔
- جب کوئی ماڈل میموری ختم ہو جاتا ہے اور کریش ہو جاتا ہے۔
- جب تربیت کا ڈیٹا غلطی سے حذف ہوجاتا ہے۔
- جب ایک ماڈل پیشین گوئی کرنے سے انکار کرتا ہے۔
مسلسل سیکھنے کے مرکز میں تجارت کو اکثر کہا جاتا ہے:
- تعصب - تغیر تجارت
- استحکام - پلاسٹکٹی کا مخمصہ
- رفتار کی درستگی کی تجارت
- ایکسپلوریشن-استحصال تجارت
لچکدار وزن کنسولیڈیشن (EWC) کیا کرتا ہے؟
- غیر اہم نیوران کو حذف کرتا ہے۔
- نئے کاموں کے لیے سیکھنے کی شرح کو دوگنا کرتا ہے۔
- پہلے سیکھے گئے کاموں کے لیے اہم وزن میں تبدیلیوں کو سزا دیتا ہے۔
- ماضی کی ہر تربیتی مثال کو ہمیشہ کے لیے محفوظ کرتا ہے۔
ری پلے پر مبنی طریقے بھولنے کا مقابلہ کیسے کرتے ہیں؟
- پورے نیٹ ورک کو مستقل طور پر منجمد کر کے
- سیکھنے کی ایک بڑی شرح کا استعمال کرکے
- نقصان کی تقریب کو ہٹا کر
- ذخیرہ شدہ یا تیار کردہ پرانی مثالوں کو نئی تربیت میں شامل کرکے
How does Gradient Episodic Memory (GEM) constrain a gradient update while learning a new task?
- It projects the gradient so its first-order approximation does not increase loss on stored prior-task examples
- It replaces all prior-task data with new examples
- It freezes every parameter for all future tasks
- It increases weights that were unimportant to earlier tasks
ایک نئے کام پر بولی ٹھیک ٹیوننگ کیوں بھول جاتی ہے؟
- GPU زیادہ گرم اور میموری کو خراب کرتا ہے۔
- تدریجی نزول مشترکہ وزن کو نئے کام کی طرف لے جاتا ہے جس میں پرانے کاموں کو محفوظ کرنے میں کوئی رکاوٹ نہیں ہوتی ہے۔
- نئے کاموں میں ہمیشہ زیادہ ڈیٹا ہوتا ہے۔
- ماڈل جان بوجھ کر پرانے وزن کو حذف کرتا ہے۔
How does iCaRL classify a test example after learning multiple classes?
- By retrieving the single closest word in a text corpus
- By selecting the class with the largest Fisher information
- By comparing its feature vector with per-class means computed from stored exemplars
- By replaying every training image at inference
Why is evaluating continual learning more than measuring final accuracy on the newest task?
- New-task accuracy is the only relevant measure
- Old tasks are removed from the evaluation
- The model cannot be tested on multiple tasks
- A method must also measure retention on prior tasks and its ability to learn new ones