引導式測驗 · 硬 等級

Meta-學習測驗

回顧元學習如何跨任務訓練、MAML 如何適應模型初始化以及原型方法如何對少數樣本進行分類。

相關引導路徑Meta 學習
問題 1 的 8

元學習或「學會學習」的主要目標是什麼?

預覽每個問題8 問題

當您參加測驗時,就會出現答案和解釋。

  1. 元學習或「學會學習」的主要目標是什麼?
    • 透過幾個例子快速適應新任務
    • 記住一個巨大的數據集
    • 無需任何培訓
    • 將模型壓縮至零尺寸
  2. 在元訓練期間,資料通常是如何建構的?
    • 作為一個沒有分割的單一任務
    • 盡可能多的任務,每個任務都有一個支援集和一個查詢集
    • 當一張圖片重複出現時
    • 僅作為未標記噪聲
  3. MAML 學到什麼?
    • 永遠不會改變的固定分類器
    • 底片資料集
    • 可以透過幾個步驟對新任務進行微調的模型初始化
    • 壓縮編解碼器
  4. 原型網路如何對新範例進行分類?
    • 透過產生新圖像
    • 透過記憶像素值
    • 透過隨機猜測
    • 透過將它們與嵌入空間中學習到的類原型進行比較
  5. MAML的內循環有什麼作用?
    • 透過幾個梯度步驟使模型適應特定任務
    • 打亂資料集
    • 刪除參數
    • 將學習率設為零
  6. GPT-3 是如何在引用的論文中執行少樣本示範的?
    • 透過在每個範例後更新所有模型權重
    • 透過在提示詞中包含範例,而不進行梯度更新或微調
    • 透過為每個類別儲存一個原型
    • 透過在推論期間執行 MAML 內迴圈
  7. 在 Reptile 中,元初始化在對採樣任務進行調適後是如何更新的?
    • 用最近鄰表格取代模型
    • 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