Trečia dalis

Question 1

Skaitmeninės natūralios kalbos apdorojimas

Answer 1

Kompiuterių gebėjimas suprasti, interpretuoti ir generuoti žmogaus kalbą

Question 2

Žodžių įterpiniai

Answer 2

Vektoriniai žodžių atvaizdai atspindintys jų prasminius ryšius su kitais žodžiais

Question 3

Didieji kalbos modeliai (LLM)

Answer 3

Didelio masto neuroniniai tinklai, treniruoti su milžiniškais tekstų rinkiniais, geba generuoti, užbaigti ir versti tekstus

Question 4

Enkoderis

Answer 4

Paverčia įvesties seką į tankias reprezentacijas naudodamas self-attention ir feed-forward sluoksnius

Question 5

Dekoderis

Answer 5

Generuoja išvestį naudodamas ankstesnius žingsnius ir enkoderio sukurtas reprezentacijas

Question 6

Seka-seka architektūra (sequence-to-sequence)

Answer 6

Modeliai, kurie viena seką paverčia kita (sakinį anglų k. į lietuvių k.)

Question 7

Turinio generavimas

Answer 7

Modeliai geba generuoti tekstą, vaizdus ar kitą turinį pagal pateiktą užklausą ar duomenis

Question 8

Auto-enkoderis

Answer 8

Modelis, išmokstantis sumažinti duomenų dimensijas ir atkurti juos į pradinę formą

Question 9

Variancinis auto-enkoderis (variational autoencoder)

Answer 9

Tikimybinė autoenkoderio versija, mokanti modeliuoti duomenų pasiskirstymą

Question 10

Generatyviniai priešiški tinklai (GAN)

Answer 10

Sudaryti iš generatoriaus ir diskriminatoriaus, kurie konkuruoja, kad būtų sukurtas kuo tikroviškesnis turinys.

Question 11

Difuziniai (diffusion) modeliai

Answer 11

Mokomi atkurti duomenis , žingsnis po žingsnio šalindami triukšmą atvirkštiniu būdu

Question 12

Skatinamasis mokymas

Answer 12

Mokymosi tipas, kai agentas mokosi veikti aplinkoje, kad gautų kuo didesnį atlygį

Question 13

Agentas, aplinka, būsena, veiksmas, atlygis

Answer 13

Agentas veikia aplinkoje, kurioje yra tam tikroje būsenoje, atlieka veiksmus ir už juos gauna atlygį

Question 14

Strategija (policy)

Answer 14

Apibrėžia, kaip agentas elgiasi esant tam tikrai būsenai - tai funkcija kuri parenka veiksmus

Question 15

Marlovo prielaida

Answer 15

Teigia, kad būsena visiškai apibūdina visą reikiamą informaciją apie praeitį, t.y. ateities prognozė priklauso tik nuo dabartinės būsenos, o ne nuo visos istorijos

Question 16

Vertės funkcija

Answer 16

Įvertina tikėtina bendrą atlygį, kurį agentas gali gauti nuo tam tikros būsenos ar veikimo

Question 17

Strategijos įteracijų algoritmas

Answer 17

Iteratyviai tobulina strategiją, atsisžvelgdamas į esamą vertės funkciją, kol randama optimali strategija

Question 18

Verčių (value) įteracijų algoritmas

Answer 18

Iteratyviai atnaujina vertės funkciją pagal Bellmano lygtį, kol pasiekiama kovergacija

Question 19

DQN neuroninis tinklas

Answer 19

Naudoja neuroninį tinklą, kad prognozuotų veiksmų vertes (Q reikšmes). Tai leidžia taikyti skatinamąjį mokymą sudėtingose situacijose su didele būsena ir veiksmų erdve

Question 20

Grafų neuroniniai tinklai (GNN)

Answer 20

Apdoroja duomenis, turinčius grafų struktūrą, mokosi iš viršūnių sąvybių ir jų ryšių struktūros

Question 21

Viršūnės (nodes), briaunos (edges)

Answer 21

Grafai sudaryti iš viršūnių ir jas jungiančių briaunų (ryšių)

Question 22

Viršūnių, briaunų ir viso grafo savybių prognozavimas

Answer 22

GNN tinklai gali prognozuoti savybes konkrečioms viršūnėms, ryšiams ar visam grafui

Question 23

Gretimumo (adjacency) matrica

Answer 23

Aprašo, kurios grafų viršūnės yra tarpusavyje sujungtos

Question 24

Lygiareikšmiškumas perstatymas (permutation equivariance)

Answer 24

GNN savybė užtikrinti, kad rezultatai išliktų tie patys, nepriklausomai nuo viršūnių išdėstymo tvarkos

Question 25

Neuroninių pranešimų perdavimas (Neural Message-Passing)

Answer 25

Procesas, kai viršūnės perduoda informaciją viena kitai per briaunas