少样本学习测验

当您参加测验时，就会出现答案和解释。

1. In an N-way K-shot classification episode, what does K count?
   • The number of classes
   • Labeled support examples per class
   • All parameters in the model
   • The number of optimization epochs
2. 当大型语言模型根据提示进行上下文中的几次学习时，其权重会发生什么？
   • 它们在提示示例上略有微调
   • 它们被重置为特定于任务的检查点
   • 它们保持不变；这些例子只是预测的条件
   • 它们与示例嵌入进行平均
3. 零次提示和少次提示之间的主要区别是什么？
   • 零样本没有提供有效的例子；几次拍摄提供了一些
   • 零样本使用比少样本更小的模型
   • 零样本总是比少样本表现更好
   • 零样本需要标记训练数据，而少样本则不需要
4. How can prior learning contribute to a few-shot task?
   • It guarantees every arbitrary demonstration yields the intended rule
   • It requires copying each example as every final answer
   • It necessarily retrains all network weights during prompting
   • It can supply useful learned patterns or representations for interpreting the small support set
5. 其中描述了像原型网络这样基于度量的小样本方法？
   • 它将示例标签写入数据库以供查找
   • 它生成合成示例，直到有数千个
   • 它将新样本与每个类的几个样本的平均嵌入进行比较，并选择最接近的样本
   • 它使用来自人类反馈的强化学习
6. 实践者发现，只需在几次提示中重新排列示例即可改变准确性。这说明了什么？
   • GPU 中的硬件错误
   • 少数镜头的性能可能对示例顺序和格式很敏感
   • 模型与测试集过度拟合
   • 零射击是不可能的
7. A class has embedded support points (0,0) and (2,0). What arithmetic-mean prototype does the stated prototypical method form?
   • (2,0)
   • (0,2)
   • (2,2)
   • (1,0)
8. Which distinction defines support and query roles in the original prototypical-network episode?
   • Support labels construct class prototypes; separate query items evaluate classification
   • Query labels must be copied into every support prototype
   • Support items contain no labels by definition
   • The two sets must always contain exactly the same sampled examples