2026年人工智能从业人员综合能力考试试题.docxVIP

2026年人工智能从业人员综合能力考试试题

一、单项选择题（每题2分，共30分）

1.在深度强化学习中，下列哪项技术最直接地解决了“策略梯度”方法的高方差问题？

A.经验回放

B.基线减法

C.目标网络

D.双Q学习

答案：B

解析：基线减法通过引入状态相关的基线函数，降低策略梯度估计的方差，而不引入偏差。

2.若一个Transformer模型的注意力权重矩阵为A∈?^{n×n}，其第i行第j列元素a_{ij}表示第i个token对第j个token的注意力分数。若对A施加稀疏性约束，下列哪种正则化项最符合“鼓励每行仅保留Top-k元素”的意图？

A.∑_{i=1}^{n}‖A_{i,:}‖_1

B.∑_{i=1}^{n}‖A_{i,:}‖_2^2

C.∑_{i=1}^{n}‖A_{i,:}‖_0

D.∑_{i=1}^{n}log(1+e^{A_{i,:}})

答案：C

解析：L0范数直接统计非零元素个数，与Top-k稀疏化目标一致。

3.联邦学习场景下，客户端本地更新采用Adam优化器，服务器端聚合采用FedAvg。若客户端数据为Non-IID且本地epoch数过大，最可能出现的风险是：

A.梯度消失

B.权重发散

C.学习率冷启动

D.过拟合全局数据

答案：B

解析：Non-IID数据下，本地多次epoch导致客户端模型偏离全局最优，聚合后产生权重发散。