اختبار مرتبط بالدليل · صعب المستوى
مسابقة التعلم المتباين
تدرب على الأزواج الإيجابية المتباينة، ودمج الانهيار، والتشابه في درجات الحرارة، بما في ذلك كيفية اختلاف قوائم انتظار MoCo عن ذاكرات التخزين المؤقت للاستدلال.
سؤال 1 من 8
ما هو الهدف الأساسي للتعلم التقابلي؟
معاينة كل سؤال8 أسئلة
تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.
- ما هو الهدف الأساسي للتعلم التقابلي؟
- اسحب الأزواج المتشابهة (الإيجابية) معًا وادفع الأزواج غير المتشابهة (السالبة) بعيدًا عن بعضها البعض في مساحة التضمين
- توقع قيم البكسل الدقيقة للصورة
- قم بتصنيف كل مدخلات في واحدة من مجموعة التسميات الثابتة
- تقليل عدد معلمات النموذج
- في طريقة الصور الخاضعة للإشراف الذاتي مثل SimCLR، كيف يتم إنشاء زوج موجب عادةً؟
- صورتان مختلفتان لنفس الفئة المسمى
- صورة وصورة تم اختيارها عشوائيًا من مجموعة البيانات
- زيادتان عشوائيتان (على سبيل المثال، الاقتصاص، اهتزاز اللون) لنفس الصورة
- صورة مقترنة بقناع التجزئة الخاص بها
- ما هي وظيفة الخسارة الأكثر ارتباطًا بالتعلم التقابلي؟
- يعني الخطأ التربيعي
- معلومات
- الانتروبيا المتقاطعة على تسميات الفصل
- فقدان المفصلة لـ SVMs
- لماذا تستخدم أساليب مثل MoCo بنك ذاكرة أو قائمة انتظار؟
- لتخزين الملصقات من أجل الضبط الدقيق تحت الإشراف
- لتخزين التوقعات النهائية مؤقتًا للاستدلال بشكل أسرع
- لضغط النموذج للأجهزة المحمولة
- لتزويد العديد من الأمثلة السلبية دون الحاجة إلى حجم دفعة هائل
- ما هي المشكلة التي يحميها BYOL وSimSiam على وجه التحديد دون استخدام السلبيات الصريحة؟
- الإفراط في تسميات التدريب
- انفجار التدرجات في المحسن
- انهيار التمثيل، حيث تصبح جميع التضمينات متطابقة
- اختفاء معدل التعلم
- كيف يعمل CLIP على توسيع الفكرة المتناقضة؟
- فهو يقوم بمحاذاة الصور مع التسميات التوضيحية النصية الخاصة بها في مساحة التضمين المشتركة
- إنه يتناقض مع زيادتين لنفس مقطع الصوت
- إنه يلغي الحاجة إلى أي شبكة عصبية
- ويستخدم التعلم المعزز بدلا من التشابه
- A contrastive image encoder maps every photo to the same vector. Which failure does this illustrate?
- A useful separation of image categories
- An increase in the number of negative samples
- A perfect nearest-neighbor representation
- Representation collapse
- Why is MoCo’s training queue different from caching completed inference responses?
- It serves final chatbot responses without model execution
- It supplies encoded comparison examples for a contrastive training objective
- It replaces every positive image with a label
- It removes the need to update any encoder