الاختبار الخطي واختبار تقييم الميزات المجمدة

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. في المسبار الخطي القياسي، ما هي المعلمات التي يتم تحديثها أثناء التدريب؟
   • فقط المصنف الخطي المضاف حديثًا في الأعلى
   • العمود الفقري بأكمله بالإضافة إلى الطبقة الخطية
   • العمود الفقري فقط، مع ترك المصنف ثابتًا
   • طبقة التضمين وكتلة الاهتمام النهائية
2. What does high linear-probe accuracy most directly show?
   • The backbone causally uses the feature for every prediction
   • The labels are decodable by a linear classifier from the frozen features under that dataset and protocol
   • The representation is robust to every distribution shift
   • The probe has identified a human-interpretable mechanism
3. بالمقارنة مع الضبط الدقيق الكامل، يعد الفحص الخطي جذابًا في المقام الأول لأنه:
   • أكثر دقة في كل مهمة
   • مضمون للتعميم بشكل أفضل من التوزيع
   • أرخص في الحوسبة والذاكرة ويعطي قراءة أوضح لجودة الميزات
   • الطريقة الوحيدة لاستخدام نموذج تم تدريبه مسبقًا
4. من النتائج التجريبية الشائعة عند فحص المحولات ما يلي:
   • الطبقة النهائية تعطي دائمًا أفضل دقة للمسبار
   • التحقيق يعمل فقط على الشبكات التلافيفية
   • لا يؤثر اختيار الطبقة أبدًا على نتائج المسبار
   • غالبًا ما تتفوق الطبقات المتوسطة على الطبقة الأخيرة في النقل
5. إلى جانب قياس الأداء، يتم استخدام المجسات الخطية بشكل متزايد في إمكانية التفسير من أجل:
   • اكتشاف ما إذا كان مفهوم مثل الصدق مشفرًا في حالات مخفية
   • ضغط النماذج للنشر على الأجهزة المحمولة
   • استبدل المحسن أثناء التدريب المسبق
   • إنشاء بيانات تدريب جديدة تلقائيًا
6. من المخاطر المنهجية الرئيسية عند تفسير دقة التحقيق العالية ما يلي:
   • العمود الفقري يواصل التدريب سرا
   • قد يكون المسبار يستغل الارتباط الزائف بدلاً من المفهوم الحقيقي
   • لا يمكن أن تتجاوز المجسات الخطية
   • لا يمكن استخدام الخسارة عبر الإنتروبيا
7. To compare two backbone layers with linear probes, what should remain consistent?
   • The feature vectors from each layer
   • The layer being evaluated
   • The task labels, data split and probe-training protocol
   • The activation values themselves
8. Why might feature normalization and learning-rate sweeps be used in a probe evaluation?
   • To update the frozen backbone
   • To add hidden nonlinear layers to the probe
   • To guarantee the concept is causally used
   • To reduce optimization and scale effects that could distort the representation comparison