2025年机器学习与人工智能试卷及答案.docxVIP

2025年机器学习与人工智能试卷及答案

一、单项选择题（每题2分，共20分）

1.以下哪种学习范式的核心是通过未标注数据学习有用特征？

A.监督学习

B.无监督学习

C.强化学习

D.半监督学习

2.在Transformer模型中，多头注意力机制的主要作用是：

A.减少计算复杂度

B.捕捉不同子空间的上下文信息

C.增强模型的记忆能力

D.替代位置编码

3.对于二分类问题，若模型预测正类的概率为0.7，真实标签为正类，则其交叉熵损失为：

A.-ln(0.7)

B.-ln(0.3)

C.0.7×ln(0.7)+0.3×ln(0.3)

D.(0.7-1)2

4.以下哪项不是大语言模型（LLM）微调的常用技术？

A.LoRA（低秩适配）

B.PromptTuning（提示微调）

C.全参数微调

D.梯度裁剪

5.在卷积神经网络（CNN）中，感受野指的是：

A.卷积核的大小

B.特征图中一个像素对应原始输入的区域

C.最大池化的步长

D.批量归一化的参数范围

6.以下哪种评估指标最适合处理类别不平衡的分类问题？

A.准确率（Accuracy）

B.F1分数

C.均方误差（MSE）

D.R平方（R2）

7.扩散模型（DiffusionModel）的训练过程主要通过：

A.最大化似然函数

B.最小化重构误差

C.优化对抗损失

D.逐步添加/去除噪声

8.多模态学习中，“对齐（Alignment）”的核心目标是：

A.统一不同模态的输入尺寸

B.建立跨模态的语义关联

C.减少计算资源消耗

D.提升单模态任务性能

9.在强化学习中，Q-learning与策略梯度方法的主要区别是：

A.Q-learning基于值函数，策略梯度直接优化策略

B.Q-learning需要环境模型，策略梯度不需要

C.Q-learning适用于连续动作空间，策略梯度适用于离散

D.Q-learning是无模型方法，策略梯度是有模型方法

10.以下哪项是自监督学习（Self-SupervisedLearning）的典型应用？

A.用标注的图像分类数据训练ResNet

B.用“掩码语言模型（MLM）”预训练BERT

C.用奖励信号训练游戏AI

D.用少量标注数据微调大模型

二、填空题（每空1分，共15分）

1.逻辑回归模型的决策函数是______，其损失函数通常采用______。

2.梯度下降的三种变体中，______每次使用全部样本计算梯度，______每次使用单个样本，______是折中的方案。

3.Transformer模型中，输入序列的位置信息通过______或______方式编码。

4.支持向量机（SVM）的核心思想是寻找______最大的分类超平面，处理非线性问题时需引入______。

5.大模型训练中，为解决内存限制问题，常用的技术包括______（如将模型分层计算）和______（如累积多个批次的梯度）。

6.生成对抗网络（GAN）由______和______两个部分组成，通过对抗训练优化。

三、简答题（每题6分，共30分）

1.简述自监督学习的原理，并举例说明其在自然语言处理（NLP）和计算机视觉（CV）中的典型应用。

2.对比卷积神经网络（CNN）与视觉Transformer（ViT）在特征提取上的差异。

3.解释“过拟合（Overfitting）”的成因及常用解决方法。

4.分析大语言模型（如GPT-4）参数量与性能之间的关系，并说明限制参数量进一步增加的主要因素。

5.多模态模型（如CLIP、GPT-4V）中，跨模态对齐（Cross-ModalAlignment）需要解决哪些关键问题？

四、计算题（每题8分，共24分）

1.已知一个二分类逻辑回归模型，参数向量w=[0.5,-0.3]，偏置b=0.2。输入样本x=[2,4]，计算该样本属于正类的概率（sigmoid函数：σ(z)=1/(1+e??)）。

2.给定如下数据集（特征为“天气”，标签为“是否出行”）：

|天气（晴/雨）|是否出行（是/否）|

|--||

|晴|是|

|晴|是|

|雨|否|

|雨