Prueba de recuperación de pasajes densos

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. How does Dense Passage Retrieval decide which passages match a query?
   • Comparación de representaciones vectoriales densas de consultas y pasajes por similitud
   • Contar cuántas palabras de consulta aparecen en cada documento
   • Traducir la consulta a SQL antes de buscar
   • Clasificar documentos únicamente según la fecha de publicación
2. DPR utiliza una arquitectura de 'bicodificador'. ¿Qué significa eso?
   • Codifica el texto dos veces y promedia los resultados.
   • Sólo funciona en documentos bilingües.
   • Codifica caracteres y palabras simultáneamente.
   • Utiliza dos codificadores separados, uno para consultas y otro para pasajes.
3. ¿Por qué se pueden calcular los vectores de paso por adelantado en DPR?
   • Porque los pasajes nunca cambian una vez escritos.
   • Porque el codificador de consultas está deshabilitado en el momento de la búsqueda.
   • Porque cada pasaje está codificado independientemente de cualquier consulta.
   • Porque los pasajes se almacenan solo como texto sin formato
4. ¿Qué truco de entrenamiento permite al DPR generar muchos ejemplos negativos a bajo costo?
   • Volteo aleatorio de etiquetas
   • Negativos en lote, utilizando otros pasajes del mismo lote
   • Abandonar la mitad de las neuronas
   • Etiquetar manualmente cada pasaje incorrecto
5. For what vocabulary mismatch can learned DPR representations be useful compared with lexical matching alone?
   • The passage is unrelated but repeats the query's terms
   • Every query contains only an exact serial number
   • The encoder is guaranteed to retrieve the right answer for all inputs
   • A relevant passage expresses a query's idea using different words
6. ¿Qué herramienta se utiliza comúnmente para agilizar a escala la búsqueda del vecino más cercano del DPR?
   • Un índice aproximado del vecino más cercano como FAISS
   • Una clasificación de hoja de cálculo
   • Un motor de expresiones regulares
   • Una unión de base de datos relacional
7. Why can BM25-retrieved nonanswer passages be useful hard negatives when training DPR?
   • They guarantee that every retrieved passage is irrelevant
   • Their lexical overlap can make them challenging distractors that the retriever must distinguish from the answer passage
   • They remove the need for a positive answer passage
   • They force the passage encoder to count words without learning
8. After changing DPR's passage encoder, what should happen to a stored passage-vector index?
   • Keep the old embeddings because encoder weights cannot affect vectors
   • Rename the index without recalculating any representation
   • Recompute the passage embeddings with the intended compatible encoder and update the index
   • Disable the query encoder and search raw filenames instead