2025年人工智能导论考试题及答案

2025年人工智能导论考试题及答案一、单项选择（每题2分，共20分）1.在2017年ImageNet竞赛中，首次将单模型Top5错误率降至3%以下的团队使用的核心结构是A.VGG19 B.Inceptionv4 C.ResNet152 D.DenseNet264答案：C解析：HeKaiming等人提出的ResNet152在2015年即达到3.57%的错误率，2017年ImageNet收官赛仍被多数队伍用作骨干网络，故选C。2.下列关于Transformer中“位置编码”的描述，正确的是A.可学习参数，维度与词嵌入相同B.正弦余弦函数固定编码，不参与反向传播C.仅在解码器端使用D.采用Onehot方式表示绝对位置答案：B解析：原始论文“AttentionisAllYouNeed”采用正弦/余弦函数生成固定位置向量，不随训练更新，故B正确。3.在深度强化学习中，导致“高估偏差”（overestimation）的直接原因是A.策略梯度方差大B.时序差分目标使用了下一个状态的最大动作值C.经验回放池容量不足D.奖励稀疏答案：B解析：DoubleDQN论文指出，标准DQN在计算目标时取maxQ(s’,a)，造成系统性地高估，故选B。4.联邦学习框架FedAvg中，服务器端聚合权重通常按A.客户端梯度范数比例 B.客户端数据量比例 C.随机均匀 D.客户端损失大小答案：B解析：McMahan2017年论文明确以本地数据量占比作为聚合系数，保证无偏估计。5.若一个卷积层输入32×32×64，采用128个5×5卷积核，stride=1，pad=2，则输出特征图尺寸为A.32×32×128 B.28×28×128 C.30×30×64 D.34×34×128答案：A解析：Same卷积，pad=2保持宽高不变，通道数等于卷积核数128，故选A。6.在GPT3训练语料中占比最高的数据来源是A.CommonCrawl B.Wikipedia C.BooksCorpus D.WebText2答案：A解析：OpenAI技术报告披露，经过过滤的CommonCrawl约占60%，故选A。7.下列哪一项不是AutoMLNAS（神经架构搜索）的三大核心组件A.搜索空间 B.搜索策略 C.性能评估 D.知识蒸馏答案：D解析：NAS=搜索空间+搜索策略+性能评估，知识蒸馏属于模型压缩手段，非NAS必备。8.在因果推断中，docalculus的“后门准则”主要用于A.消除混淆偏差 B.降低选择偏差 C.解决测量误差 D.增加工具变量答案：A解析：Pearl提出后门准则阻断混淆路径，从而识别因果效应，故选A。9.若一个GAN的判别器损失恒为0，则生成器梯度A.消失 B.爆炸 C.不变 D.为随机高斯噪声答案：A解析：判别器完美，生成器梯度通过判别器反向传播时趋零，导致梯度消失。10.在DiffusionModel前向加噪过程中，若总步长T=1000，β_t线性从1e4到2e2，则第500步的ᾱ_t约为A.0.50 B.0.36 C.0.25 D.0.63答案：B解析：α_t=1–β_t，ᾱ_t=∏α_k，线性插值得β_500≈0.01005，ᾱ_500≈exp(–Σβ_k)≈0.36，故选B。二、多项选择（每题3分，共15分；多选少选均不得分）11.下列属于SelfSupervisedLearning预训练任务的有A.BERT的MaskedLanguageModelingB.SimCLR的对比学习C.MoCo的动量编码D.AlphaGo的策略网络答案：A、B、C解析：D属于监督强化学习，非自监督。12.关于StableDiffusion中CrossAttention层，正确的有A.Query来自UNet中间特征B.Key/Value来自文本编码器C.只在高分辨率层出现D.支持negativeprompt答案：A、B、D解析：CrossAttention在UNet各分辨率均有注入，C错误。13.以下技术可直接用于缓解LLM“幻觉”现象A.RetrievalAugmentedGenerationB.ConstitutionalAIC.ChainofThoughtFinetuningD.Dropout答案：A、B、C解析：Dropout用于正则化，不直接抑制幻觉。14.在AlphaFold2中，Evoformer模块的输入包括A.MSA表示 B.Pair表示 C.模板结构 D.物理力场答案：A、B、C解析：力场在结构模块后处理，非Evoformer输入。15.关于NeRF（神经辐射场）的体渲染方程，正确的有A.颜色积分沿射线进行B.透明度α由体密度σ积分得到C.可微分D.需要显式网格答案：A、B、C解析：NeRF无需显式网格，D错误。三、填空题（每空2分，共20分）16.2022年发布的ChatGPT基于__________模型架构，参数规模约__________亿。答案：GPT3.5，175解析：OpenAI博客披露ChatGPT由GPT3.5系列微调，参数量保持175B。17.在PyTorch中，若需对4D张量x∈(N,C,H,W)做GroupNorm，groups=32，则C必须能被__________整除。答案：32解析：GroupNorm将通道分组，每组通道数=C/groups，需整除。18.联邦学习中的“梯度泄露”攻击最早由__________团队在__________年USENIXSecurity会议提出。答案：Hitaj，2017解析：论文“DeepModelsUndertheGAN”首次展示用GAN重构私有数据。19.若Adam优化器β1=0.9，β2=0.999，初始学习率1e3，则第1步的等效学习率为__________。答案：1e4解析：biascorrection后α̂=α·√(1–β2^t)/(1–β1^t)=1e3·√0.001/0.1≈1e4。20.在DiffusionModel中，DDIM采样利用__________性质实现确定性生成。答案：非马尔可夫逆过程解析：DDIM通过重新参数化，使逆过程不再依赖随机噪声，实现确定性采样。21.神经架构搜索EfficientNAS在__________空间搜索，将延迟作为__________约束。答案：MobileNetV3like，硬解析：论文把延迟设为硬约束，用早停+预测器过滤。22.在LLM推理阶段，KVCache的显存复杂度与__________成正比。答案：序列长度×层数×头维度×2解析：需缓存每层Key/Value，乘以2。23.2016年MasteringthegameofGo的Nature论文中，策略网络训练数据约含__________万局人类棋谱。答案：30解析：Silver等使用KGS29.4万局。24.CLIP模型图文对比损失温度系数τ的默认值为__________。答案：0.07解析：OpenAI代码库中设定learnableτ初始0.07。25.在联邦学习系统Flower中，聚合策略接口名为__________。答案：Strategy解析：Flower框架核心抽象。四、判断题（每题1分，共10分；正确打“√”，错误打“×”）26.VisionTransformer的PatchEmbedding可用一个步长等于patch大小的卷积实现。√27.BERTlarge的参数量大于GPT21.5B。×28.在DDPG中，目标网络更新采用软更新方式。√29.AlphaGoZero完全摒弃人类棋谱，采用纯自对弈强化学习。√30.模型蒸馏一定要求教师与学生的网络结构同构。×31.在因果图里，碰撞节点（Collider）控制后会打开非因果路径。√32.BatchNorm在训练与测试阶段统计量来源相同。×33.MoCov2将负样本队列长度从65536提升到131072。×34.StyleGAN3解决了图像纹理“粘附”问题。√35.在NeRF中增加视图方向输入可改善镜面反射效果。√五、简答题（每题8分，共24分）36.描述MaskedAutoencoder（MAE）在视觉自监督中的核心设计，并解释为何掩码比例高达75%仍能有效重建。答案：MAE采用非对称编码解码结构：编码器仅对可见patch（25%）计算特征，解码器为轻量级网络，接收编码特征+掩码token，输出全部patch像素。高掩码比迫使编码器学习高级语义而非局部纹理；冗余性保证图像信息可被少量patch恢复；解码器仅用于预训练，推理丢弃，降低计算。实验表明75%掩码比线性探测精度最高，证明视觉信号空间冗余远高于文本。37.对比分析LoRA与AdaLoRA在参数高效微调中的差异，并给出显存占用对比公式。答案：LoRA将权重更新ΔW=BA，其中B∈R^{d×r},A∈R^{r×k}，可训练参数为r(d+k)。AdaLoRA引入动态秩，通过重要性评分剪枝低贡献奇异值，维持预算秩r_budget，同时采用SVD形式ΔW=UΣV^T，训练参数为预算秩内非零奇异值及向量。显存上，LoRA额外占用=2r(d+k)字节（fp16）；AdaLoRA因需维护重要性分数与掩码，额外占用≈2r_budget(d+k)+dkbit，预算秩r_budget<r时更省显存，但引入稀疏格式开销。38.解释ChainofThought（CoT）为何能提升大模型算术推理能力，并给出两种低成本诱导CoT的提示方法。答案：CoT通过生成中间步骤，将多步推理转化为语言建模的子问题，降低单步难度，利用模型内嵌知识自校正。低成本诱导：①ZeroshotCoT：在问题末尾加“Let’sthinkstepbystep.”，无需标注；②FewshotCoT：提供3个带人工步骤的示例，示例无需与测试任务同分布，即可激活模型逐步推理。六、计算与推导题（共31分）39.（10分）给定一个两层MLP，隐藏层32单元，ReLU激活，输出层2单元，Softmax。输入x∈R^10，采用交叉熵损失。若采用PyTorch默认的Kaiming初始化，求隐藏层权重方差σ²，并推导前向传播后隐藏层激活值的方差表达式（假设输入各分量独立同分布，方差为1）。答案：Kaiming初始化针对ReLU，方差σ²=2/fan_in=2/10=0.2。推导：令h=Wx+b，Var(h_i)=Σ_jVar(W_{ij})·Var(x_j)=10·σ²·1=10×0.2=2。经过ReLU后，E[ReLU(h)]=√(Var(h)/2π)=√(2/2π)=1/√π，Var(ReLU(h))=Var(h)/2=1。故隐藏层激活值方差为1，满足自归一化。40.（11分）在DDPM中，前向过程q(x_t|x_0)=N(x_t;√ᾱ_tx_0,(1–ᾱ_t)I)。请推导任意步t可直接采样x_t的公式，并证明当T→∞且β_t→0时，x_T服从标准高斯分布。答案：由重参数化x_t=√ᾱ_tx_0+√(1–ᾱ_t)ε，ε∼N(0,I)。当T→∞，∏α_t→0，则ᾱ_T→0，故x_T→√1·ε∼N(0,I)，得证。41.（10分）假设用8bit量化将LLM权重压缩，原模型175B参数，fp16占用350GB。若采用groupwise量化，groupsize=128，引入0.2%的额外缩放与零点参数，求压缩后大小，并计算压缩比。答案：权重部分：175B×1byte=175GB；缩放零点：175B×2/128≈0.273GB；额外0.2%即0.35GB；总大小≈175+0.273+0.35=175.623GB。压缩比=350/175.623≈1.99。七、综合设计题（20分）42.某市卫健委计划利用联邦学习建立跨医院“医学影像肺结节筛查”大模型，数据分布在10家医院，各院数据量5k~50k不等，图像分辨率1024×1024，标注包括结节mask与恶性概率。请设计一套端到端方案，涵盖：（1）数据预处理与隐私增强；（2）模型架构与联邦策略；（3）激励机制与合规审计；（4）评估指标与故障恢复。要求给出技术选型、通信预算、收敛预期及潜在风险缓解。答案：（1）预处理：采用DICOM脱敏，去除患者ID，像素级差分隐私ε=1；使用FATESSL做自监督预训练，降低标注需求。（2）模型：选用SwinUNet，参数量200M，输入降采样至512×512；联邦策略：FedAvg+Prox，μ=0.01，本地epoch=5，batc