مسابقة التعدين السلبية والصعبة عبر الإنترنت

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. لماذا توفر معظم العينات السلبية التي تم أخذ عينات منها بشكل عشوائي إشارة تدريب قليلة في حالة الخسارة الثلاثية؟
   • عادة ما يتم تسميتهم بشكل خاطئ
   • فهي صغيرة جدًا بحيث لا يمكن وضعها في الذاكرة
   • إنهم بعيدون بالفعل عن المرساة، وبالتالي فإن الخسارة والتدرج قريبان من الصفر
   • إنهم دائمًا يساويون المسافة الإيجابية
2. ما الذي يميز التعدين عبر الإنترنت عن التعدين خارج الإنترنت؟
   • التعدين عبر الإنترنت يستخدم الإنترنت؛ حاليا لا
   • يختار التعدين عبر الإنترنت أمثلة صعبة ضمن كل دفعة صغيرة أثناء التنقل
   • التعدين عبر الإنترنت يعمل فقط على النص
   • لا يتطلب التعدين عبر الإنترنت تمريرًا للأمام
3. ما هي النتيجة السلبية "شبه الصلبة" كما هو محدد في FaceNet؟
   • السالب أقرب من الموجب للمرساة
   • سلبي يساوي المرساة بالضبط
   • أي سلبية تم اختيارها عشوائيا
   • سلبي أبعد من الإيجابي ولكن لا يزال ضمن الهامش
4. في التعدين الدفعي، ما هو الرقم السلبي الذي يتم اختياره لكل مرساة؟
   • أقرب سلبية في الدفعة
   • أبعد سلبية في الدفعة
   • سلبي عشوائي
   • السلبية مع المسافة المتوسطة
5. لماذا يميل حجم الدفعة الأكبر إلى تحسين نتائج التعلم المتري المستخرج؟
   • أنه يقلل من البعد التضمين
   • أنه يلغي الحاجة إلى الهامش
   • يزيل وظيفة الخسارة
   • فهو يوفر مجموعة أكثر ثراءً من السلبيات الصعبة للمرشح في كل خطوة
6. ما هو الخطر المعروف لاختيار أصعب السلبيات على الإطلاق؟
   • هم دائما سهلة للغاية
   • أنها تجعل مصفوفة الدفعة أصغر
   • قد يتم تصنيفها بطريقة خاطئة أو شبه مكررة من الإيجابيات التي تفسد التدريب
   • يقومون بإزالة التدرج بالكامل
7. With positive distance 0.4 and margin 0.2, which negative distance is semi-hard under the described rule?
   • 0.5
   • 0.2
   • 0.8
   • 1.1
8. Why does ordinary online mining within one minibatch not necessarily find the hardest negative in the entire dataset?
   • Every batch contains the complete dataset
   • Its available candidate pool is the examples in that batch
   • Distance calculations prove no other examples exist
   • The model discards all negative labels