Bài kiểm tra có liên kết hướng dẫn · Cứng Cấp độ

Meta-Bài kiểm tra học tập

Xem lại cách siêu học tập đào tạo qua các nhiệm vụ, cách MAML điều chỉnh việc khởi tạo mô hình và cách các phương pháp nguyên mẫu phân loại các ví dụ ít ảnh.

Đường dẫn hướng dẫn liên quanMeta Học tập
Câu hỏi 1 của 8

Siêu học tập hay 'học để học' chủ yếu nhằm đạt được điều gì?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Siêu học tập hay 'học để học' chủ yếu nhằm đạt được điều gì?
    • Thích ứng nhanh với nhiệm vụ mới từ một vài ví dụ
    • Ghi nhớ một tập dữ liệu khổng lồ
    • Loại bỏ nhu cầu đào tạo
    • Nén mô hình về kích thước bằng 0
  2. Trong quá trình đào tạo meta, dữ liệu thường được cấu trúc như thế nào?
    • Là một nhiệm vụ duy nhất không có sự phân chia
    • Nhiều tác vụ, mỗi tác vụ có một bộ hỗ trợ và một bộ truy vấn
    • Như một hình ảnh lặp đi lặp lại
    • Chỉ là tiếng ồn không được gắn nhãn
  3. MAML học được gì?
    • Một bộ phân loại cố định không bao giờ thay đổi
    • Tập dữ liệu âm bản
    • Quá trình khởi tạo mô hình có thể được tinh chỉnh cho phù hợp với các tác vụ mới trong một vài bước
    • Bộ giải mã nén
  4. Mạng nguyên mẫu phân loại các ví dụ mới như thế nào?
    • Bằng cách tạo ra hình ảnh mới
    • Bằng cách ghi nhớ các giá trị pixel
    • Bằng cách đoán ngẫu nhiên
    • Bằng cách so sánh chúng với các nguyên mẫu của lớp đã học trong một không gian nhúng
  5. Vai trò của vòng lặp bên trong MAML là gì?
    • Để điều chỉnh mô hình cho phù hợp với một nhiệm vụ cụ thể bằng một vài bước chuyển màu
    • Để xáo trộn tập dữ liệu
    • Để xóa tham số
    • Để đặt tốc độ học tập về 0
  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