2026年人工智能科研基础考试试题及参考答案

2026年人工智能科研基础考试试题及参考答案1.单项选择题（每题2分，共20分）1.1在深度学习中，下列哪种激活函数在输入为0时导数最大？A.ReLU  B.Sigmoid  C.Tanh  D.LeakyReLU答案：D解析：LeakyReLU在x=0处的左导数为0.01，右导数为1，综合导数最大。1.2若某卷积层输出特征图尺寸为32×32，步长为2，填充为1，则输入尺寸最可能为A.63×63  B.64×64  C.65×65  D.66×66答案：B解析：由公式O=1.3在强化学习中，Q-learning的更新公式中，若学习率α=0.1，折扣因子γ=0.9，则新Q值与原Q值的关系为A.完全替换  B.加权平均  C.指数移动平均  D.无直接关系答案：B解析：Q←Q+α(r+γmaxQ′−Q)为加权平均形式。1.4下列关于Transformer位置编码的说法正确的是A.可学习参数  B.正弦余弦固定编码  C.仅用于解码器  D.与词嵌入相加后归一化答案：B解析：原始Transformer使用正弦余弦固定编码，与词嵌入相加。1.5在联邦学习场景下，为防止模型泄露用户隐私，最常用的技术是A.同态加密  B.差分隐私  C.安全多方计算  D.梯度压缩答案：B解析：差分隐私通过添加噪声提供可量化隐私保证，实现简单。1.6若某GAN的判别器损失长时间趋于0，则生成器梯度最可能A.消失  B.爆炸  C.不变  D.振荡答案：A解析：判别器过强，生成器梯度信号消失，出现模式崩塌。1.7在图神经网络中，GCN的一阶近似卷积核等价于A.邻接矩阵  B.归一化邻接矩阵  C.拉普拉斯矩阵  D.对称归一化拉普拉斯答案：D解析：=σ1.8下列关于AutoML中神经架构搜索（NAS）的描述，错误的是A.强化学习可用于控制器  B.权重共享可降低计算量  C.可微分NAS无需采样  D.基于进化算法无需适应度评估答案：D解析：进化算法必须依赖适应度评估指导搜索。1.9在模型压缩技术中，KnowledgeDistillation的“温度”参数T增大时，软标签分布A.更尖锐  B.更平滑  C.不变  D.先锐后平答案：B解析：T越大，softmax输出越接近均匀分布，平滑度增加。1.10若某数据集类别极度不平衡，且少数类代价高，最适合的评估指标是A.Accuracy  B.F1-score  C.AUC  D.MAE答案：B解析：F1综合精度与召回，对不平衡敏感。2.多项选择题（每题3分，共15分）2.1下列哪些操作可有效缓解卷积神经网络过拟合？A.Dropout  B.BatchNorm  C.数据增强  D.减小学习率答案：A、B、C解析：减小学习率仅影响收敛速度，不直接缓解过拟合。2.2关于VisionTransformer(ViT)，下列说法正确的是A.将图像分块线性投影  B.完全舍弃卷积操作  C.在大规模预训练后小数据集微调效果佳  D.局部归纳偏置强于CNN答案：A、B、C解析：ViT局部偏置弱，需大数据预训练。2.3在强化学习中，以下属于on-policy算法的有A.REINFORCE  B.A2C  C.PPO  D.DDPG答案：A、B、C解析：DDPG为off-policy。2.4下列关于贝叶斯神经网络的说法，正确的有A.权重为分布  B.可估计不确定性  C.训练等价于最小化KL散度  D.推理需蒙特卡洛采样答案：A、B、C、D解析：全部正确。2.5在NLP预训练中，以下哪些目标函数被BERT采用？A.MLM  B.NSP  C.RTD  D.SBO答案：A、B解析：RTD为ELECTRA，SBO为SpanBERT。3.填空题（每空2分，共20分）3.1若某LSTM的隐藏状态维度为512，输入维度256，则其参数量为________。答案：4×(512×256+512×512+512)=1572864解析：遗忘、输入、输出、候选共4个门，每门权重2项、偏置1项。3.2给定损失函数L=|W答案：(解析：向量对矩阵求导。3.3在自注意力机制中，若Q、K、V的维度均为，则缩放点积注意力的输出维度为________。答案：与V的列数相同解析：输出维度由V决定。3.4若某卷积层使用3×3空洞卷积，空洞率r=2，则等效感受野大小为________。答案：5×5解析：=K3.5在联邦平均算法FedAvg中，若本地epoch=5，客户端学习率η，则全局等效学习率约为________。答案：η×5解析：本地多步更新近似放大学习率。3.6若某GNN采用均值聚合，则节点v的更新公式为=σ答案：M解析：均值聚合。3.7在对比学习中，InfoNCE损失的温度系数τ趋近于0时，损失函数近似为________。答案：hard负样本对比损失解析：τ→0时softmax趋近one-hot。3.8若某模型参数量为100M，采用FP16存储，则显存占用至少________MB。答案：200解析：1参数2字节。3.9在神经辐射场(NeRF)中，位置编码的函数形式为γ(答案：2L解析：每频率正余弦各一维。3.10若某优化器采用梯度裁剪阈值g_max=1，则更新规则为g←答案：g解析：标准化裁剪。4.简答题（每题8分，共24分）4.1请阐述BatchNormalization与LayerNormalization在计算维度上的差异，并说明为何Transformer采用后者。答案：BN沿batch维度计算均值方差，对序列长度敏感且推理需维护滑动平均；LN沿特征维度计算，与batch无关，更适合变长序列及自回归推理。Transformer中序列长度动态，LN更稳定。4.2描述深度强化学习中“惰性agent”问题的成因，并给出至少两种解决方案。答案：成因：探索不足导致策略陷入局部最优，价值函数对未访问区域估计不准。方案：1)计数式探索奖励，如MBIE-EB；2)噪声注入，如Ornstein-Uhlenbeck过程；3)好奇心驱动内在奖励。4.3对比知识蒸馏与模型剪枝在目标、实施阶段与效果上的异同。答案：目标：蒸馏追求小模型精度逼近大模型，剪枝追求去除冗余参数。实施：蒸馏在训练阶段通过软标签迁移知识；剪枝在训练后或训练中剔除权重再微调。效果：蒸馏通常获得更紧凑的“学生”网络，剪枝保留原结构但稀疏；二者可结合，先剪枝再蒸馏。5.计算与推导题（共21分）5.1（7分）给定一个两分类问题，数据集包含1000个样本，其中正类100个。若某模型预测结果如下：TP=80，FP=20，TN=880，FN=20。请计算宏平均F1、几何平均G-mean与Matthews相关系数MCC，并给出公式与步骤。答案：Precision=80/(80+20)=0.8，Recall=80/(80+20)=0.8，F1=2×0.8×0.8/(0.8+0.8)=0.8。G-mean=√(Recall×Specificity)=√(0.8×0.9777)=0.884。MCC=。5.2（7分）设某卷积层输入张量尺寸为N×C_in×H×W，卷积核K×K，输出通道C_out，stride=1，padding=P。推导输出尺寸H_out×W_out，并进一步推导当采用分组卷积且分组数为g时，参数量与计算量（FLOPs）公式。答案：，同理W_out。标准卷积参数量：。分组后每小组输入通道，输出通道，每小组参数量，总参数量：。FLOPs：2×5.3（7分）考虑一个线性高斯伯叶斯网络：x=Az+w，其中z∼𝒩答案：边际分布：p(ELBO：lo其中loKLELBO=−|期望可闭式求解：|x6.综合设计题（20分）背景：某市交通管理局计划利用城市摄像头视频实时检测交通事故，要求模型在边缘设备（算力1TOPS，内存2GB）上达到≥90%召回、≥80%精度，延迟<200ms。请设计一套端到端解决方案，涵盖数据、模型、训练、部署与更新，需说明关键技术选型理由、性能优化策略及隐私合规措施。答案与评分要点：1.数据：采集10万小时视频，采用主动学习筛选1%有效帧，人工标注事故片段，使用弱标签扩增。引入合成数据（3D引擎模拟碰撞）解决稀有事件。隐私：人脸车牌模糊化，数据存储加密，访问审计。2.模型：选用EfficientNet-B0为骨干，时序建模采用TemporalShiftModule(TSM)减少参数。检测头采用FCOS+Centerness，单阶段降低延迟。引入轻量级注意力SE模块，通道缩减16倍。3.训练：采用知识蒸馏，教师为EfficientNet-B3+SlowFast，温度T=4，蒸馏权重0.5。损失函数：FocalLoss解决正负样本1:1000不平衡，γ=2。数据增强：MixUp、RandAugment、时序随机裁剪。4.部署：模型量化：INT8权重量化，激活量化使用KL校准，精度下降<1%。剪枝：基于L1范式的通道剪枝，剪枝率40%，再训练20epoch。推理框架：TensorRT+CUDA流水线，异步预处理，batch=1，FP16/INT8混合。延迟：实测180ms（含解码），内存占用1.3GB。5.更新：联邦学习：边缘设备上传梯度，服务器聚合，采用差分隐私(ε=1)，每24h更新一次。在线难例挖掘：设备缓存误检片段，夜间低峰上传，持续微调。6.评估：测试