Mit dem Guide verknüpftes Quiz · Mittel Ebene

Einbettungs-Quiz

Entdecken Sie Einbettungsgeometrie und Kosinusähnlichkeit mit Vektoranalogien, Näherungssuche, gelernter Verzerrung und normalisierten Distanzberechnungen.

Verwandte FührungspfadeEinbettungen
Frage 1 von 8

What is an embedding in the numerical representation sense used here?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. What is an embedding in the numerical representation sense used here?
    • A dictionary definition that must be stored verbatim
    • A required compression format for image files
    • A vector representing an item for a model or comparison task
    • An exact database row identifier only
  2. What can closeness in a trained semantic embedding space indicate?
    • Similarity learned under that model’s objective
    • A guarantee that two statements are equally true
    • An identical byte sequence in every case
    • A universal relation independent of training
  3. Welche Metrik wird üblicherweise zum Vergleich zweier Einbettungen verwendet?
    • Unterschied in der Dateigröße
    • Alphabetische Reihenfolge
    • Wortanzahl
    • Kosinusähnlichkeit
  4. What tradeoff can an approximate embedding index such as HNSW introduce?
    • A guarantee of complete exact retrieval in every configuration
    • Faster search with possible missed exact nearest neighbors
    • A required change of every vector to a word definition
    • Automatic removal of all training-data bias
  5. Was zeigt das klassische Beispiel „König – Mann + Frau ≈ Königin“ über Einbettungen?
    • Sie können Beziehungen durch Vektorarithmetik erfassen
    • Sie speichern genaue Definitionen von Wörtern
    • Sie arbeiten nur für Lizenzgebühren
    • Sie sind zufällig und bedeutungslos
  6. Was ist ein echtes Risiko bei der Verwendung von Einbettungen?
    • Sie können nicht in einer Datenbank gespeichert werden
    • Sie arbeiten nur auf Englisch
    • Sie können in ihren Trainingsdaten vorhandene Vorurteile übernehmen und widerspiegeln
    • Sie sorgen dafür, dass alle Suchanfragen nur exakt übereinstimmen
  7. Two unit-length embedding vectors have dot product 0.8. What is their squared Euclidean distance?
    • 0.2
    • 0.4
    • 0.8
    • 1.6
  8. When does an inner-product score equal cosine similarity for two nonzero embedding vectors?
    • Whenever their dimensions are equal
    • Whenever they came from two unrelated model families
    • Only when their coordinates are all zero
    • When both vectors have been normalized to unit length