人工智能章节测试课后答案2025年春

人工智能章节测试课后答案2025年春一、单项选择题（每题2分，共20分）1.以下关于监督学习与无监督学习的描述，正确的是（）。A.监督学习需要标注数据，无监督学习仅需输入数据B.无监督学习的目标是拟合输入与输出的映射关系C.监督学习常用于聚类任务，无监督学习常用于分类任务D.两者的核心区别在于是否使用强化学习中的奖励机制答案：A解析：监督学习的训练数据包含输入特征和对应的标签（如分类任务中的类别），目标是学习输入到输出的映射；无监督学习的训练数据仅含输入特征，目标是发现数据内在结构（如聚类、降维）。B选项混淆了监督学习的目标；C选项任务类型与学习方式对应错误；D选项强化学习是独立的学习范式，与监督/无监督无关。2.Transformer架构中，多头注意力（Multi-HeadAttention）的核心作用是（）。A.减少模型参数量，提升训练速度B.从不同子空间捕捉数据的上下文依赖C.替代循环神经网络（RNN）解决长序列依赖问题D.通过残差连接缓解梯度消失答案：B解析：多头注意力将输入的查询（Query）、键（Key）、值（Value）划分为多个头（Head），每个头在独立的子空间中计算注意力权重，最终将结果拼接后线性变换。其核心是通过多视角捕捉序列中的不同上下文关系，增强模型对复杂依赖的建模能力。A选项是参数共享或模型压缩技术的作用；C选项是自注意力机制（而非多头）的基础功能；D选项是残差连接的作用。3.2024年发布的大语言模型（LLM）中，“上下文窗口扩展至20万token”主要依赖的技术是（）。A.位置编码优化（如NTK-awarescaling）B.注意力机制稀疏化（如SparseAttention）C.模型并行与混合精度训练D.知识蒸馏与参数高效微调（PEFT）答案：A解析：传统位置编码（如正弦位置编码、可学习位置编码）在长序列下会因位置信息混淆导致性能下降。2024年主流模型（如GPT-4X、Llama-3）采用NTK-awarescaling（Non-TrainableKernelscaling）技术，通过调整位置编码的频率参数，将有效位置范围从原始的8k-32ktoken扩展至20万token，同时保持短序列的建模能力。B选项稀疏注意力主要用于降低计算复杂度；C选项是训练效率优化；D选项是模型适配下游任务的方法。4.联邦学习（FederatedLearning）中，“客户端-服务器”架构的关键挑战是（）。A.服务器端需要存储所有客户端数据B.客户端计算能力差异导致训练不同步C.通信开销随客户端数量呈指数级增长D.模型聚合时难以处理非独立同分布（Non-IID）数据答案：D解析：联邦学习的核心是在不传输原始数据的前提下，通过本地训练+模型参数聚合完成全局模型优化。实际场景中，各客户端的数据分布（如用户行为、地域特征）通常是非独立同分布的（Non-IID），导致聚合后的模型在部分客户端上性能下降。A选项错误，联邦学习不要求服务器存储原始数据；B选项可通过动态调度或分层聚合缓解；C选项通信开销主要与模型参数大小和聚合频率相关，并非指数级增长。5.多模态大模型（如GPT-4V）处理“图像-文本”对齐任务时，关键技术不包括（）。A.视觉编码器（如CLIPViT）的多尺度特征提取B.跨模态注意力（Cross-ModalAttention）机制C.对比学习（ContrastiveLearning）对齐语义空间D.自回归语言模型的因果注意力掩码答案：D解析：因果注意力掩码是自回归模型（如GPT系列）处理文本提供时的机制，用于防止模型看到未来位置的信息。多模态对齐任务中，图像与文本的交互依赖跨模态注意力（如将图像特征作为Key/Value，文本作为Query）、视觉编码器的多尺度特征（捕捉图像局部与全局信息）以及对比学习（拉近正样本对的语义距离，推远负样本对）。D选项与多模态对齐无直接关联。二、简答题（每题8分，共40分）1.简述大模型参数高效微调（Parameter-EfficientFine-Tuning,PEFT）的核心思想及典型方法。答案：大模型参数高效微调的核心思想是：在保持预训练大模型主体参数不变的前提下，仅调整少量额外参数（或模块），使其适配下游任务，从而降低计算资源消耗（如显存、训练时间）并减少过拟合风险。典型方法包括：（1）适配器（Adapter）：在预训练模型的每个层中插入小型全连接网络（如瓶颈结构），仅训练适配器参数。例如，HoulsbyAdapter在每层的自注意力和前馈网络后添加两个线性层（降维-升维），总参数量约为原模型的1%。（2）前缀微调（Prefix-Tuning）：在输入序列前添加可训练的“前缀”（Prefix）向量，通过优化前缀向量引导模型提供任务相关输出。例如，在文本提供任务中，前缀向量可视为任务特定的“提示”，仅需训练数千个参数。（3）低秩自适应（LoRA）：将大模型中的全连接层（如注意力的Q、V矩阵）分解为两个低秩矩阵的乘积，仅训练低秩矩阵的参数。例如，将768×768的矩阵分解为768×r和r×768（r=4-32），参数量减少95%以上。（4）提示学习（PromptLearning）：通过设计任务相关的文本提示（如“请判断以下句子的情感倾向：{输入}情感是：”），结合少量参数（如可训练的软提示）引导模型输出。该方法在零样本/少样本场景中表现突出。2.解释提供对抗网络（GAN）的“模式崩溃”（ModeCollapse）现象及其缓解策略。答案：模式崩溃指GAN训练过程中，提供器（Generator）仅能提供有限类型的样本，无法覆盖数据分布的所有模式（Mode）。例如，在提供手写数字时，提供器可能仅提供“0”和“1”，而忽略其他数字。其本质是提供器与判别器（Discriminator）的博弈失衡：提供器找到判别器无法区分的“捷径”，不再探索其他数据模式。缓解策略包括：（1）改进损失函数：如使用WassersteinGAN（WGAN），通过EarthMover（EM）距离替代JS散度，缓解梯度消失并稳定训练；或引入梯度惩罚（WGAN-GP）约束判别器的Lipschitz连续性。（2）多尺度提供与判别：在提供器中加入多分辨率特征（如StyleGAN的渐进式生长），判别器同时处理不同尺度的输入，增强对细节模式的捕捉能力。（3）正则化与约束：在提供器中加入多样性正则项（如提供样本的特征方差约束），或在判别器中引入类别信息（如CGAN），强制提供器覆盖所有类别模式。（4）动态平衡训练：调整提供器与判别器的更新频率（如交替训练时增加判别器的更新次数），或使用梯度惩罚限制判别器的过强能力，避免提供器被“压制”。3.说明自然语言处理（NLP）中“上下文学习”（In-ContextLearning,ICL）的定义及其依赖的大模型特性。答案：上下文学习指大语言模型在不进行参数更新的情况下，仅通过输入包含任务示例的上下文（如“示例1：输入→输出；示例2：输入→输出；当前输入→”），即可理解任务并提供正确输出的能力。例如，输入“翻译：Hello→你好；翻译：Cat→猫；翻译：Dog→”，模型能输出“狗”。ICL依赖大模型的以下特性：（1）涌现能力（EmergentAbilities）：仅当模型参数规模超过一定阈值（如千亿级）时，ICL才会显著出现。小模型无法通过上下文示例泛化任务逻辑。（2）世界知识编码：大模型通过大规模预训练（如万亿token语料），隐式存储了丰富的语言模式、常识知识和任务模板，能够从上下文中解析任务类型（如翻译、问答）并调用相关知识。（3）注意力机制的长程依赖建模：模型通过自注意力机制捕捉上下文中示例的输入-输出映射关系，并将其泛化到当前输入。长上下文窗口（如20万token）允许包含更多示例，增强任务理解的准确性。（4）指令遵循能力：通过指令微调（InstructionFine-Tuning），模型学会识别“翻译”“分类”等任务指令，并根据指令调整输出逻辑，无需显式的任务特定参数。4.分析自动驾驶中AI决策系统的“可解释性”需求及其技术挑战。答案：可解释性需求：（1）安全验证：自动驾驶系统需向用户（如乘客、监管机构）证明决策的合理性（如“为何在50米外减速”），避免因“黑箱”决策引发信任危机。（2）故障追溯：当事故发生时，需通过可解释性分析确定是传感器误差、模型误判还是环境异常导致的决策错误。（3）伦理合规：在道德困境（如“避让行人还是保护乘客”）中，可解释性有助于确保决策符合交通法规和伦理准则（如《自动驾驶伦理指南》）。技术挑战：（1）多模态信息融合的复杂性：自动驾驶需同时处理摄像头（视觉）、激光雷达（点云）、雷达（毫米波）等多源数据，各模态特征的交互逻辑难以直观解释。（2）实时性约束：可解释性方法（如注意力可视化、特征归因）通常需要额外计算，而自动驾驶决策需在毫秒级完成，需平衡解释精度与计算效率。（3）对抗样本干扰：恶意构造的输入（如道路标识贴纸）可能导致模型误判，可解释性方法需能识别此类干扰并说明其对决策的影响。（4）动态环境适应性：不同场景（如城市道路、高速公路）下，模型的决策逻辑可能变化，可解释性方法需具备场景感知能力，避免静态解释模板的局限性。5.列举AI伦理中的“偏见与公平性”问题的三种表现形式，并提出相应的缓解措施。答案：表现形式及缓解措施：（1）数据偏见：训练数据中某些群体（如特定种族、性别）的样本数量不足或特征分布失衡，导致模型对该群体的预测偏差。例如，人脸识别模型对肤色较深人群的识别准确率低于浅色人群。缓解措施：采用公平采样（如过采样少数群体数据）、数据去偏（如对抗去偏网络，通过对抗训练消除特征中的偏见信息），或使用联邦学习聚合多源数据以平衡分布。（2）模型偏见：模型在学习过程中隐式捕捉数据中的刻板印象（如“护士=女性”“工程师=男性”），导致输出含有偏见的结果。例如，招聘AI可能因训练数据中男性高管占比高，而降低女性求职者的评分。缓解措施：引入公平性约束损失函数（如在分类任务中，要求不同群体的错误率差异小于阈值），或使用反事实推理（CounterfactualReasoning），评估“若样本群体属性改变，预测结果是否变化”。（3）应用偏见：AI系统在实际部署中因场景适配不当，对不同群体产生差异化影响。例如，语音助手对方言的识别率低，导致方言使用者体验下降。缓解措施：开展多群体测试（如按年龄、地域划分测试集），确保模型在子群体上的性能均衡；设计可定制化的模型接口（如允许用户选择方言模式），提升适应性。三、案例分析题（每题20分，共40分）案例：某医疗AI公司开发了一款“肺部结节良恶性诊断系统”，基于胸部CT影像和患者临床数据（年龄、吸烟史、既往病史），通过深度学习模型输出结节恶性概率（0-1）。系统已在三甲医院进行了回顾性验证，准确率达92%（以病理结果为金标准），但在实际临床使用中，老年患者（70岁以上）的误判率（将恶性判为良性）较年轻患者高15%。问题1：分析误判率差异的可能原因。答案：可能原因包括：（1）训练数据分布偏差：回顾性数据中，老年患者的样本数量或特征覆盖不足。例如，训练集里70岁以上患者仅占10%，且其CT影像的结节特征（如钙化程度、边缘模糊度）与年轻患者差异较大，模型未充分学习老年群体的特征模式。（2）年龄相关的混杂变量未被显式建模：老年患者常伴随更多基础疾病（如慢性阻塞性肺病、肺纤维化），这些疾病可能导致CT影像出现与恶性结节相似的伪影（如磨玻璃影）。模型若未将年龄、基础疾病作为显式特征输入（仅依赖影像），可能因无法区分病理伪影与真实结节特征而误判。（3）模型泛化能力受限：深度学习模型在训练时可能过度拟合年轻患者的影像特征（如更清晰的结节边界），而老年患者的结节因组织退化可能边界模糊、密度不均，模型的特征提取器（如卷积神经网络）无法有效捕捉这些细微差异，导致恶性概率估计偏低。（4）数据标注偏差：病理结果作为金标准时，老年患者的穿刺活检率可能低于年轻患者（因手术风险高），导致部分恶性结节未被正确标注（被误标为良性），训练数据中存在“假阴性”样本，模型学习到错误的“老年结节=良性”关联。问题2：提出至少三种改进方案，并说明技术原理。答案：改进方案及技术原理：（1）数据增强与重采样：针对老年患者样本不足问题，采用基于提供对抗网络（GAN）的医学影像合成技术（如MedGAN），提供符合老年群体特征的虚拟CT样本（如模糊边界、伴随肺纤维化的结节），增加训练集中老年患者的样本比例。同