ڈیٹا انتساب کوئز کی تربیت کے لیے اثر و رسوخ کے افعال

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

1. کون سا جوابی سوال تقریباً افعال کو متاثر کرتا ہے؟
   • اگر کسی تربیتی مثال کو ہٹا دیا جائے یا زیادہ وزن کیا جائے تو ٹیسٹ پوائنٹ پر ہونے والا نقصان کیسے بدل جائے گا۔
   • ماڈل اوسطاً کتنا درست ہے۔
   • ماڈل کتنی تیزی سے ٹرین کرتا ہے۔
   • ماڈل میں کتنے پیرامیٹرز ہیں۔
2. کون سی ریاضیاتی چیز بڑے ماڈلز کے لیے درست اثر و رسوخ کی گنتی کو ناقابل عمل بناتی ہے؟
   • سافٹ میکس فنکشن
   • نقصان کا الٹا ہیسین
   • سیکھنے کی شرح کا شیڈول
   • بیچ کا سائز
3. کس نے 2017 کے معروف مقالے میں اثر و رسوخ کے افعال کو جدید گہری سیکھنے میں ڈھال لیا؟
   • گڈ فیلو اور بینجیو
   • واسوانی وغیرہ۔
   • کوہ اور لیانگ
   • ہنٹن اور لیکون
4. Under Koh and Liang’s standard I_up,loss convention, what does a negative value indicate?
   • The point was not in the training data
   • Upweighting the point is estimated to increase test loss
   • The point has no relationship to the test example
   • Upweighting the point is estimated to lower test loss, so it is helpful
5. Anthropic نے بڑے لینگویج ماڈلز پر اثر انداز ہونے والے فنکشنز کو پیمانہ کرنے کے لیے کون سا تخمینہ استعمال کیا؟
   • EK-FAC (Kronecker-factored curvature)
   • ڈراپ آؤٹ
   • بیم کی تلاش
   • مکس اپ
6. Anthropic کے بڑے مطالعہ نے بااثر مثالوں کے بارے میں کیا پایا؟
   • وہ ہمیشہ آؤٹ پٹ کی صحیح کاپیاں ہوتے ہیں۔
   • وہ اکثر ایک جیسے الفاظ کے بجائے تجریدی نمونوں کا اشتراک کرتے ہیں۔
   • وہ تصادفی طور پر تقسیم کیے جاتے ہیں۔
   • صرف پہلی تربیت کی مثال اہمیت رکھتی ہے۔
7. In the influence-function approximation, what connects a training-example gradient to the effect on a test loss?
   • The test set’s token count
   • A random forest over training labels
   • The inverse Hessian of the training loss
   • The model’s output vocabulary size
8. If removing one training example is estimated to increase a test point’s loss, what does that suggest about the example?
   • It was guaranteed to be a duplicate
   • It had no relationship to the model
   • It necessarily caused the model to overfit
   • It had a helpful influence on that test point under the approximation