স্ব-তত্ত্বাবধানে শেখার কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. বর্ণিত স্ব-সুপারভাইজড উদাহরণগুলোতে সুপারভিশন সংকেত কোথা থেকে আসে?
   • A requirement for no training objective
   • Only new human semantic labels for every pretraining example
   • A rule that examples contain no useful information
   • The data and defined transformations of it
2. কোন ইনপুট অবস্থানগুলো মূল BERT মাস্কড-ল্যাঙ্গুয়েজ-মডেল লসে পূর্বাভাসের লক্ষ্য অবদান রাখে?
   • The positions selected for the MLM prediction task
   • Every position in the entire input regardless of selection
   • Only the first position of each new sentence
   • Only positions that appear after the final sentence boundary
3. সিমসিএলআর-এর মতো বিপরীত শিক্ষায়, একটি 'ইতিবাচক জুড়ি' হল:
   • দুটি সম্পূর্ণ সম্পর্কহীন ছবি
   • মানুষের লিখিত লেবেল একটি জোড়া
   • একই চিত্রের দুটি বর্ধিত দৃশ্য যা এম্বেড করার স্থানের কাছাকাছি হওয়া উচিত
   • ডেটাসেটের দুটি কপি
4. বর্ণিত উদাহরণগুলোতে স্ব-সুপারভাইজড প্রিট্রেনিং কোন অ্যানোটেশন প্রয়োজনীয়তা কমাতে পারে?
   • The need for any usable input data
   • Separate task-specific semantic labels for every pretraining example
   • All computational cost by definition
   • The need to assess downstream performance
5. স্ব-সুপারভিশনের মাধ্যমে শেখা একটি উপস্থাপনা কীভাবে পরবর্তী কাজের জন্য ব্যবহার করা যেতে পারে?
   • By evaluating a task head or adapting the representation through fine-tuning
   • By assuming every target task requires no labels or validation
   • By discarding all representations before making predictions
   • By treating the pretraining loss as proof of every application's accuracy
6. কিভাবে একটি GPT-শৈলী মডেলের স্ব-তত্ত্বাবধানে কাজটি BERT-এর থেকে আলাদা?
   • এটি কোনো টেক্সট ব্যবহার করে না
   • এটি প্রতিটি শব্দের জন্য ম্যানুয়াল লেবেল প্রয়োজন
   • এটি শুধুমাত্র একটি নথির প্রথম শব্দের পূর্বাভাস দেয়
   • এটি মুখোশযুক্ত টোকেনগুলি পূরণ করার পরিবর্তে পরবর্তী টোকেনের পূর্বাভাস দেয়
7. In the original SimCLR framework, which component is discarded for the reported downstream representation use?
   • The encoder representation itself
   • The contrastive projection head
   • All training inputs before pretraining begins
   • The positive-pair source-image relationship
8. When original BERT pretraining replaces a selected input position with a random token, what remains its loss target?
   • The newly inserted random token
   • The next sentence's first token in every case
   • The original token before replacement
   • No target, because every random replacement is omitted from training