2025年机器学习与人工智能专业考核试卷及答案.docxVIP

2025年机器学习与人工智能专业考核试卷及答案

一、单项选择题（每题2分，共20分）

1.以下哪项任务同时涉及监督学习与强化学习？

A.图像分类（使用标注数据集训练CNN）

B.机器人导航（通过奖励信号优化路径）

C.推荐系统（基于用户历史行为预测偏好）

D.自动问答（结合预训练语言模型与对话策略）

2.关于多模态学习，以下描述错误的是：

A.跨模态对齐需解决不同模态特征空间的异质性问题

B.CLIP模型通过对比学习实现图像-文本的联合表征

C.多模态模型的参数量一定大于单模态模型

D.多模态生成任务（如文生图）需兼顾内容一致性与细节真实性

3.对于大语言模型（LLM）的微调，以下策略中最可能引发“灾难性遗忘”的是：

A.全参数微调（FullFine-tuning）

B.适配器微调（AdapterFine-tuning）

C.前缀微调（PrefixTuning）

D.提示学习（PromptLearning）

4.在目标检测任务中，AP（平均精度）的计算基于：

A.不同交并比（IoU）阈值下的召回率-精度曲线

B.固定IoU阈值（如0.5）下的召回率-精度曲线

C.所有类别平均后的mAP值

D.模型在测试集上的整体准确率

5.以下哪项不属于生成式AI的典型应用？

A.基于扩散模型的图像生成

B.用GPT-4生成代码

C.随机森林的特征重要性分析

D.神经辐射场（NeRF）的3D场景重建

6.强化学习中，“离策略（Off-Policy）”算法的核心优势是：

A.仅需当前策略生成的数据即可训练

B.可以利用历史数据或其他策略生成的数据

C.样本效率显著高于“在策略（On-Policy）”算法

D.适用于连续动作空间的任务

7.关于知识蒸馏（KnowledgeDistillation），以下说法正确的是：

A.教师模型的复杂度必须低于学生模型

B.蒸馏损失仅包含学生模型与教师模型输出的软标签差异

C.温度参数（Temperature）用于控制软标签的平滑度

D.知识蒸馏无法提升模型在小数据集上的泛化能力

8.在时间序列预测任务中，LSTM相比传统循环神经网络（RNN）的关键改进是：

A.引入门控机制（输入门、遗忘门、输出门）

B.使用双向结构捕捉上下文信息

C.采用注意力机制替代隐状态传递

D.通过残差连接缓解梯度消失问题

9.以下哪项技术最适合解决多标签分类（Multi-labelClassification）中的标签相关性问题？

A.独热编码（One-HotEncoding）

B.标签嵌入（LabelEmbedding）

C.类别平衡采样（ClassBalancedSampling）

D.交叉熵损失函数

10.联邦学习（FederatedLearning）的核心挑战不包括：

A.设备间通信带宽限制

B.各参与方数据分布异质性（Non-IID）

C.模型参数的全局聚合策略

D.训练数据的集中存储与管理

二、填空题（每题3分，共15分）

1.逻辑回归的损失函数通常采用__________，其数学表达式为__________（用概率形式表示）。

2.Transformer模型中，多头注意力（Multi-HeadAttention）的计算可分解为__________、__________、__________三个步骤。

3.梯度下降的三种变体中，__________（填写名称）的参数更新方向基于单个样本的梯度，__________（填写名称）基于全部样本的梯度，__________（填写名称）基于小批量样本的梯度。

4.在生成对抗网络（GAN）中，判别器（Discriminator）的目标函数是__________（用数学符号表示，假设真实数据分布为p_data，生成数据分布为p_g，x为真实样本，z为噪声）。

5.评估推荐系统的常用指标中，__________（指标名称）衡量推荐列表中用户感兴趣物品的位置，__________（指标名称）衡量推荐列表覆盖所有可能相关物品的能力。

三、简答题（每题8分，共40分）

1.简述支持向量机（SVM）中核函数（KernelFunction）的作用，并列举三种常用核函数及其适用场景。

2.过拟合（Overfitting）是机器学习中的常见问题，说明其产生原因及至少四种解决方法。

3.对比分析BERT与GPT系列模型在预训