2025年人工智能导论专项测试卷及答案

2025年人工智能导论专项测试卷及答案一、单项选择题（每题2分，共20分）1.1956年达特茅斯会议首次提出“人工智能”一词，下列哪位学者未被公认为该会议的四位主要发起人之一？A.JohnMcCarthyB.MarvinMinskyC.AllenNewellD.GeoffreyHinton答案：D解析：Hinton生于1947年，1970年代才进入AI领域，1956年尚未涉足。2.在卷积神经网络中，若输入为32×32×3的RGB图像，采用10个5×5卷积核、步长1、零填充2，则输出特征图尺寸为：A.30×30×10B.32×32×10C.34×34×10D.28×28×10答案：B解析：O=(I−K+2P)/S+1=(32−5+4)/1+1=32，通道数等于卷积核个数10。3.下列哪项技术最直接解决了深度强化学习中的“稀疏奖励”问题？A.经验回放B.目标网络C.好奇心驱动内在奖励D.双Q学习答案：C解析：内在奖励通过状态预测误差为智能体提供密集信号，显著缓解稀疏奖励。4.在Transformer架构中，缩放点积注意力机制使用缩放因子dk​的目的是：A.加快计算速度B.防止softmax梯度消失C.降低显存占用D.增强位置编码答案：B解析：dk​​用于抵消点积方差随维度增大而增大导致的softmax饱和。5.关于联邦学习的隐私保护机制，下列说法错误的是：A.安全聚合可防止中央服务器看到个体梯度B.差分隐私通过添加噪声保证εδ隐私预算C.同态加密允许在密文上直接进行非线性激活D.模型拆分将模型层分布在客户端与服务器端答案：C解析：同态加密目前仅支持加法或乘法，ReLU等非线性需多项式近似，并非“直接”。6.在GAN训练中，若生成器损失持续下降而判别器损失迅速趋于0，则最可能出现：A.模式崩塌B.梯度爆炸C.训练收敛D.纳什均衡答案：A解析：判别器过强导致生成器梯度消失，生成样本多样性下降。7.下列哪项不是AlphaGoZero相较于AlphaGo的重大改进？A.取消人类棋谱监督B.引入蒙特卡洛树搜索C.使用残差网络D.联合训练策略与价值网络答案：B解析：MCTS在两者中均使用，Zero的革新在于无人类知识。8.在知识图谱嵌入中，TransE将关系建模为：A.双线性映射B.平移向量C.旋转矩阵D.超平面投影答案：B解析：h+r≈t，即头实体向量加关系向量近似尾实体向量。9.若某自动驾驶系统采用端到端深度网络直接输出方向盘转角，其最大隐患是：A.可解释性差B.计算延迟高C.对GPS精度敏感D.易受激光雷达噪声影响答案：A解析：端到端黑箱难以追溯决策依据，安全认证困难。10.在GPT3中，采用稀疏注意力（SparseTransformer）主要解决：A.梯度消失B.显存随序列长度二次增长C.词表过大D.位置编码溢出答案：B解析：稀疏模式将O(n²)降至O(nlogn)，支持更长上下文。二、多项选择题（每题3分，共15分，多选少选均不得分）11.下列哪些方法可用于缓解深度网络过拟合？A.DropConnectB.LabelSmoothingC.BatchNormalizationD.权重衰减答案：ABD解析：BN主要加速收敛并轻微正则，非专门过拟合手段。12.关于自监督学习，正确的有：A.对比学习依赖正负样本对B.掩码语言模型属于生成式自监督C.自监督预标注成本为零D.MoCo使用队列字典维护负样本答案：ABD解析：预标注虽无人工标签，仍需数据增强与采样策略，并非零成本。13.在可解释AI中，属于事后解释方法的有：A.LIMEB.SHAPC.GradCAMD.可解释CNN滤波器约束答案：ABC解析：D属于事前约束，训练阶段即注入可解释性。14.下列哪些指标可直接用于评估多标签分类性能？A.HammingLossB.MicroF1C.ROCAUC（多类别ovr）D.Cohen’sKappa答案：ABC解析：Kappa适用于一致性检验，非多标签专属。15.关于神经架构搜索（NAS），下列说法正确的有：A.DARTS将离散搜索松弛为连续优化B.ENAS通过参数共享降低计算成本C.ProxylessNAS直接在ImageNet上训练D.随机搜索基线往往弱于手工设计答案：ABC解析：随机搜索在超大空间可超越手工，但需足够预算，D表述绝对化。三、填空题（每空2分，共20分）16.VAE的ELBO由重构项与__________项组成，后者近似后验与先验的KL散度。答案：KL正则化解析：KL项促使潜在变量分布接近标准正态，实现连续隐空间。17.在DQN中，目标网络参数每C步才从主网络复制一次，其目的是打破__________相关性。答案：时序解析：固定目标网络减少bootstrap震荡，稳定训练。18.若采用BLEU4评估机器翻译，当四元组精确率为0，但存在大量unigram匹配时，BLEU得分仍可能为__________。答案：0解析：BLEU采用几何平均，任一ngram为0则整体为0。19.在DiffusionModel前向加噪过程中，若总步长T=1000，则q(xt​∣xt−1​)的方差调度通常采用__________schedule。答案：线性或余弦解析：线性简单有效，余弦可减缓后期噪声增速，提升样本质量。20.联邦学习中的“非独立同分布”挑战常用缩写__________表示。答案：NonIID解析：NonIID导致本地梯度与全局最优方向偏差，需算法修正。21.在VisionTransformer中，图像被切分为固定大小的__________，再线性投影为token序列。答案：patches解析：16×16patches通过可训练线性层映射至D维向量。22.若某深度森林级联每层包含两个随机森林和两个完全随机森林，则该层输出为__________维拼接向量。答案：4×类别数解析：每棵树输出类别概率向量，4个森林拼接。23.在元学习中，MAML的目标是学习一个对任务分布敏感的__________。答案：初始参数解析：通过少量梯度步即可快速适应新任务。24.若使用混合精度训练，损失缩放因子在梯度__________时会自动下调。答案：溢出（NaN/Inf）解析：动态损失缩放防止低精度下梯度下溢。25.在对话系统评估中，__________指标通过计算生成回复与参考回复的embedding平均余弦相似度来衡量语义相关性。答案：GreedyMatching解析：与EmbeddingAverage、VectorExtrema并称三种无参考评估。四、判断题（每题1分，共10分，正确打“√”，错误打“×”）26.梯度裁剪可完全消除RNN梯度爆炸问题。答案：×解析：裁剪仅限制梯度范数，未解决长期依赖本质。27.在BERT预训练中，NSP任务被RoBERTa证明对下游任务影响有限。答案：√解析：RoBERTa实验表明去除NSP可提升性能。28.使用ReLU激活的网络一定不会出现梯度消失。答案：×解析：负半轴死亡神经元可导致梯度流断裂。29.图神经网络中，GCN的层数越多，节点感受野指数增长。答案：√解析：k层GCN可聚合k阶邻居信息。30.在模仿学习中，行为克隆无需交互环境即可学习策略。答案：√解析：行为克隆仅依赖专家轨迹，无需在线采样。31.模型蒸馏时，学生网络logits需使用与教师相同的温度τ。答案：√解析：相同温度才能保证softtarget分布一致。32.在AutoML中，超带宽算法（Hyperband）保证找到全局最优。答案：×解析：Hyperband为早停策略，无全局最优保证。33.使用GroupNormalization时，批量大小对性能影响较小。答案：√解析：GN沿通道分组计算统计量，独立于batchsize。34.在语音合成中，WaveNet采用自回归方式逐样本生成，推理速度较慢。答案：√解析：自回归导致串行计算，实时性受限。35.对比学习的InfoNCE损失与互信息下界等价。答案：√解析：InfoNCE源自NoiseContrastiveEstimation，可估计互信息。五、简答题（每题8分，共24分）36.描述Transformer解码器在训练与推理阶段的主要差异，并说明由此带来的挑战及工程优化方案。答案：训练阶段：解码器可并行计算，因groundtruth序列全部已知，采用teacherforcing，交叉注意力可见当前及之前位置，实现高效矩阵运算。推理阶段：生成过程自回归，需逐token展开，每一步输出作为下一步输入，无法并行，延迟随序列长度线性增长。挑战：1.高延迟；2.缓存膨胀；3.长序列误差累积。优化：1.KVCache将键值向量缓存避免重复计算；2.BeamSearch批量展开；3.非自回归模型（NAT、插入Transformer）一次性生成草稿再精炼；4.动态批长度与异步流水线；5.低精度量化与算子融合。37.给出深度强化学习中“灾难性遗忘”的定义，并以Atari游戏为例说明如何通过回放缓冲区与弹性权重巩固（EWC）联合缓解。答案：定义：智能体在学习新任务时，因参数更新覆盖旧知识，导致原任务性能骤降。Atari例：先学Breakout得高分，再学Pong后Breakout得分跌至0。缓解：1.回放缓冲区存储旧任务转移样本，训练时混合采样，保持数据分布近似；2.EWC计算Fisher信息矩阵估计参数重要性，对重要参数施加二次惩罚，限制其远离旧任务最优值；3.联合方案：回放缓冲区提供数据回放，EWC提供正则约束，两者互补，实验表明在50M帧训练后，Breakout性能仅下降5%，显著优于单用任一方法。38.解释“双下降”现象在深度学习中的实验表现，并给出理论视角的两种解释。答案：实验表现：当模型参数量跨越插值阈值后，测试误差先上升（经典偏差方差权衡区），随后再次下降，形成第二次下降曲线，甚至低于阈值前误差。理论解释：1.隐式正则：过参数化使优化算法（如SGD）偏好较小范数解，相当于隐式L2，降低方差；2.线性模型下的精确谱分析：协方差矩阵特征值分布在高维呈现重尾，过参数化阶段噪声被投影至小特征值方向，对预测影响微弱，因而泛化误差降低。六、计算与推导题（共31分）39.（10分）给定一个三分类softmax分类器，输入x∈R4，权重矩阵W∈R3×4，偏置b=[0,0,0]T。已知：W=⎡⎣⎢123212−11−1⎤⎦⎥,x=⎡⎣⎢⎢⎢1111⎤⎦⎥⎥⎥求：(1)logitsz=Wx+b；(2)softmax概率p；(3)若真实标签y=2，计算交叉熵损失L；(4)求∂L/∂W。答案：(1)z=Wx=[6,4,2]T(2)p=softmax(z)=[e6,e4,e2]/S,S=e6+e4+e2≈427.7p≈[0.879,0.119,0.002](3)L=−logp2​≈−log0.119≈2.128(4)令g=∂L/∂z=p−ey​=[0.879,−0.881,0.002]T则∂L/∂W=gxT=⎡⎣⎢0.879−0.8810.002⎤⎦⎥[1,1,1,1]=⎡⎣⎢0.8790.8790.8790.879−0.881−0.881−0.881−0.8810.0020.0020.0020.002⎤⎦⎥40.（10分）考虑一个二维线性可分数据集，正类点(1,1)、(2,2)，负类点(−1,−1)、(−2,−2)。使用硬间隔SVM，求：(1)最优超平面方程wTx+b=0；(2)几何间隔γ；(3)若将负类点(−2,−2)沿直线y=x平移至(−k,−k)，求k≥0使数据集不再线性可分的最小值。答案：(1)由对称性，w=[1,1]T，b=0，平面x1+x2=0(2)γ=2/∥w∥=2/2​=2​(3)当(−k,−k)越过边界即k<1时，正类(1,1)与负类(−k,−k)混叠，故k=1为最小值。41.（11分）在VAE中，设编码器输出均值μ与方差σ2，先验p(z)=N(0,I)。使用重参数技巧z=μ+σ⊙ϵ,ϵ∼N(0,I)。给定单样本重构损失为MSE∥x−x^∥2，推导ELBO并证明KL项等于12∑j=1d​(μj2​+σj2​−logσj2​−1)。答案：ELBO=Eq​[logp(x|z)]−KL(q(z|x)∥p(z))KL项=∫q(z|x)logq(z|x)p(z)​dzq(z|x)=N(μ,diag(σ2))利用两高斯KL公式：KL=12​(tr(diag(σ2))+μTμ−d−logdet(diag(σ2)))=12​∑j=1d​(σj2​+μj2​−1−logσj2​)证毕。七、综合设计题（共20分）42.某市计划部署基于视觉的行人闯红灯实时预警系统，需在边缘计算盒子（GPU4GB）上运行。请：(1)给出端到端方案流程（含数据采集、模型选择、训练策略、部署优化）；(2)说明如何在不侵犯隐私前提下完成数据标注；(3)若白天准确率98%，夜间降至78%，提出两种域适应技术并对比；(4)给出模型更新机制，确保新场景7天内上线，同时避免“灾难性遗忘”。答案：(1)流程：采集：路口现有监控RTSP流，抽帧720p，每秒2帧，过滤无行人帧。模型：选用YOLOv5n（Nano版）检测行人+轻量级ReID网络，联合闯红灯规则引擎（红绿灯状态来自信号机RSU）。训练：白天数据占80%，夜间20%，采用Mosaic增强、随机亮度、色彩抖动；使用知识蒸馏，教师为YOL