Κουίζ Αύξησης Δεδομένων

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Ποιος είναι ο πρωταρχικός σκοπός της αύξησης δεδομένων;
   • Για επέκταση και διαφοροποίηση των δεδομένων εκπαίδευσης, ώστε τα μοντέλα να γενικεύονται καλύτερα
   • Για να επιταχύνετε την εξαγωγή συμπερασμάτων σε ένα εκπαιδευμένο μοντέλο
   • Για να συμπιέσετε το μέγεθος του συνόλου δεδομένων στο δίσκο
   • Για αυτόματη προσθήκη ετικετών σε παραδείγματα χωρίς ετικέτα
2. Ποια από αυτές είναι μια κοινή τεχνική αύξησης εικόνας;
   • Κλίση κατάβασης
   • Τυχαία οριζόντια ανατροπή
   • Tokenization (Τεμαχισμός σε tokens)
   • Εγκατάλειψη
3. Τι κάνει η πίσω μετάφραση στην επαύξηση κειμένου;
   • Αντιστρέφει τη σειρά των λέξεων σε μια πρόταση
   • Αφαιρεί όλες τις στοπ λέξεις από το κείμενο
   • Μεταφράζει κείμενο σε άλλη γλώσσα και πίσω για να δημιουργήσει παραφράσεις
   • Μετατρέπει το κείμενο σε αριθμητικές ενσωματώσεις
4. Γιατί οι επαυξήσεις πρέπει να «διατηρούν την ετικέτα»;
   • Για να διατηρήσετε σταθερό το μέγεθος του αρχείου δεδομένων
   • Για να κάνετε την προπόνηση να τρέχει πιο γρήγορα
   • Επειδή τα μοντέλα δεν μπορούν να διαβάσουν τις ετικέτες διαφορετικά
   • Επειδή η αλλαγή της ετικέτας θα διδάξει στο μοντέλο λάθος συσχετισμούς
5. Τι κάνει η τεχνική Mixup;
   • Συνδυάζει δύο παραδείγματα και τις ετικέτες τους σε ένα δείγμα εκπαίδευσης
   • Καλύπτει μια ορθογώνια περιοχή μιας εικόνας
   • Αναζητά αυτόματα την καλύτερη πολιτική αύξησης
   • Προσθέτει τυχαίο θόρυβο στα βάρη μοντέλων
6. Πότε είναι ιδιαίτερα πολύτιμη η αύξηση δεδομένων;
   • Όταν έχετε ήδη απεριόριστα δεδομένα με ετικέτα
   • Όταν τα δεδομένα με ετικέτα είναι σπάνια και η συλλογή περισσότερων είναι δύσκολη
   • Μόνο όταν το μοντέλο είναι πλήρως εκπαιδευμένο
   • Μόνο για δεδομένα υπολογιστικού φύλλου πίνακα
7. What does CutMix do to an image and its training label?
   • It adds a random word to a sentence without changing the label
   • It swaps only class names in the dataset
   • It replaces a patch with a patch from another image and mixes labels by the replaced area
   • It blurs every input and keeps a single label unchanged
8. How does AutoAugment select augmentation policies in its original paper?
   • It chooses transformations from a fixed human-written list without evaluation
   • It uses test labels to relabel training images
   • It selects operations from inference-time confidence only
   • It searches for policies using validation performance as a reward signal