Quiz d'apprentissage contrasté

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Quel est l’objectif principal de l’apprentissage contrastif ?
   • Rassemblez les paires similaires (positives) et séparez les paires dissemblables (négatives) dans l'espace d'intégration.
   • Prédire les valeurs exactes des pixels d'une image
   • Classez chaque entrée dans l’une d’un ensemble fixe d’étiquettes
   • Minimiser le nombre de paramètres du modèle
2. Dans une méthode d’image auto-supervisée comme SimCLR, comment une paire positive est-elle généralement créée ?
   • Deux images différentes de la même classe étiquetée
   • Une image et une image choisie au hasard dans l'ensemble de données
   • Deux augmentations aléatoires (par exemple, recadrage, gigue de couleur) de la même image
   • Une image associée à son masque de segmentation
3. Quelle fonction de perte est la plus associée à l’apprentissage contrastif ?
   • Erreur quadratique moyenne
   • InfoNCE
   • Entropie croisée sur les étiquettes de classe
   • Perte de charnière pour les SVM
4. Pourquoi des méthodes comme MoCo utilisent-elles une banque de mémoire ou une file d'attente ?
   • Pour stocker les étiquettes pour un réglage fin supervisé
   • Pour mettre en cache les prédictions finales pour une inférence plus rapide
   • Pour compresser le modèle pour les appareils mobiles
   • Fournir de nombreux exemples négatifs sans avoir besoin d’un lot énorme
5. De quel problème BYOL et SimSiam se prémunissent-ils spécifiquement sans utiliser de négatifs explicites ?
   • Surajustement des étiquettes de formation
   • Dégradés explosifs dans l'optimiseur
   • Effondrement de la représentation, où tous les plongements deviennent identiques
   • Taux d'apprentissage en voie de disparition
6. Comment CLIP étend-il l’idée contrastive ?
   • Il aligne les images avec leurs légendes de texte dans un espace d'intégration partagé
   • Il contraste deux augmentations du même clip audio
   • Cela supprime le besoin de tout réseau neuronal
   • Il utilise l'apprentissage par renforcement au lieu de la similarité
7. A contrastive image encoder maps every photo to the same vector. Which failure does this illustrate?
   • A useful separation of image categories
   • An increase in the number of negative samples
   • A perfect nearest-neighbor representation
   • Representation collapse
8. Why is MoCo’s training queue different from caching completed inference responses?
   • It serves final chatbot responses without model execution
   • It supplies encoded comparison examples for a contrastive training objective
   • It replaces every positive image with a label
   • It removes the need to update any encoder