Kvíz spojený s průvodcem · Střední úroveň

Modelingový kvíz Bradley-Terry Reward

Pochopte, jak Bradley-Terry mění párové volby na skóre, podporuje modelování odměn a souvisí s běžnými systémy hodnocení.

Související vodicí cestyBradley Terry modelování odměn
Otázka 1 z 8

Co Bradley-Terryho model převádí na číselná skóre?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co Bradley-Terryho model převádí na číselná skóre?
    • Párové porovnání toho, která položka je preferována
    • Absolutní hodnocení 1 až 10
    • Nezpracované hodnoty pixelů
    • Měření časových řad
  2. V Bradley-Terrym je pravděpodobnost, že A porazí B, funkcí čeho?
    • Součin jejich skóre
    • Logistika rozdílu mezi jejich skóre
    • Počítá se poměr jejich tokenů
    • Pevných 50 procent bez ohledu na skóre
  3. Proč jsou odměny Bradley-Terry identifikovatelné pouze do aditivní konstanty?
    • Protože skóre se musí sčítat do jedné
    • Protože lidé neumí počítat
    • Protože ztráta závisí pouze na rozdílech ve skóre
    • Protože sigmoid odstraňuje všechny informace
  4. Jaká je standardní ztráta pro srovnání jedné preference v modelování odměn?
    • Střední kvadratická chyba proti štítku 1 ku 10
    • Křížová entropie přes celou slovní zásobu
    • Absolutní rozdíl délek tokenů
    • Záporný log-sigmoid of (odměna zvoleného mínus odměna odmítnutého)
  5. Která metoda přeskakuje samostatný model odměn optimalizací cíle Bradley-Terry přímo na politiku?
    • Přímá optimalizace preferencí (DPO)
    • Proximální optimalizace zásad (PPO)
    • Dávková normalizace
    • Oříznutí přechodu
  6. Jaké je klíčové omezení Bradleyho-Terryho předpokladu?
    • K výpočtu to vyžaduje GPU
    • Předpokládá jediné konzistentní, tranzitivní hodnocení, které se může zlomit, když se preference zacyklí
    • Funguje pouze na obrázky
    • Nikdy nezvládne více než tři položky
  7. Why can pairwise judgments be easier to collect than absolute quality scores?
    • Pairwise choices never contain disagreement
    • Absolute scores cannot be used for training
    • A rater can compare two candidates directly without calibrating a numeric scale
    • A pairwise label reveals every feature of the reward model
  8. Which familiar ranking system is mathematically related to Bradley-Terry-style pairwise scoring?
    • PageRank for web pages
    • TF-IDF for document terms
    • A Fourier transform for audio
    • Elo ratings