Bài kiểm tra học tập đa nhiệm vụ

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

1. Mô hình học tập đa tác vụ được thiết lập như thế nào trong quá trình đào tạo?
   • Đào tạo một mô hình về một số nhiệm vụ liên quan với các biểu diễn được chia sẻ
   • Đào tạo một mô hình riêng cho mọi nhiệm vụ
   • Chỉ sử dụng dữ liệu chưa được gắn nhãn cho một tác vụ
   • Xóa tất cả các lớp ẩn khỏi mạng
2. Trong mạng MTL chia sẻ tham số cứng điển hình, cái gì được chia sẻ và cái gì là riêng biệt?
   • Mọi thứ đều riêng biệt cho mỗi nhiệm vụ
   • Một đường trục được chia sẻ với các đầu ra dành riêng cho nhiệm vụ
   • Chỉ có chức năng mất được chia sẻ
   • Chỉ dữ liệu đầu vào, không bao giờ các lớp
3. Tại sao học tập đa tác vụ có thể cải thiện khả năng khái quát hóa?
   • Nó loại bỏ sự cần thiết của bất kỳ dữ liệu
   • Nó đảm bảo không có lỗi đào tạo
   • Tín hiệu từ các tác vụ liên quan thường xuyên hóa cách biểu diễn được chia sẻ và giảm việc trang bị quá mức
   • Nó loại bỏ sự cần thiết của những người đứng đầu nhiệm vụ cụ thể
4. 'Chuyển giao tiêu cực' trong học tập đa nhiệm là gì?
   • Khi thêm nhiệm vụ tăng tốc độ đào tạo
   • Khi mô hình có quá ít tham số
   • Khi tất cả nhiệm vụ có chung nhãn
   • Khi quá trình học của một nhiệm vụ làm ảnh hưởng đến hiệu suất của nhiệm vụ khác do các tín hiệu xung đột
5. Sự mất mát tổng thể thường được hình thành như thế nào trong học tập đa nhiệm?
   • Là tổng có trọng số của các tổn thất trong nhiệm vụ riêng lẻ
   • Bằng cách chỉ nhận nhiệm vụ bị mất lớn nhất
   • Bằng cách bỏ qua tất cả trừ một nhiệm vụ
   • Bằng cách nhân các khoản lỗ với nhau
6. Tại sao các mô hình ngôn ngữ lớn được coi là đa nhiệm?
   • Họ chỉ có thể thực hiện một nhiệm vụ cố định
   • Một mạng duy nhất xử lý việc dịch, tóm tắt, mã hóa và hỏi đáp
   • Họ sử dụng một mô hình khác nhau cho mỗi lời nhắc
   • Họ không bao giờ chia sẻ thông số giữa các nhiệm vụ
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