Quiz sur la récupération des passages denses

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

1. Comment Dense Passage Retrieval décide-t-il quels passages correspondent à une requête ?
   • Comparaison de représentations vectorielles denses de requêtes et de passages par similarité
   • Compter le nombre de mots de requête apparaissant dans chaque document
   • Traduire la requête en SQL avant la recherche
   • Classement des documents uniquement en fonction de leur date de publication récente
2. DPR utilise une architecture « bi-encodeur ». Qu'est-ce que cela signifie?
   • Il encode le texte deux fois et fait la moyenne des résultats
   • Cela ne fonctionne que sur les documents bilingues
   • Il code simultanément les caractères et les mots
   • Il utilise deux encodeurs distincts, un pour les requêtes et un pour les passages
3. Pourquoi les vecteurs de passage peuvent-ils être calculés à l’avance dans DPR ?
   • Parce que les passages ne changent jamais une fois écrits
   • Parce que l'encodeur de requête est désactivé au moment de la recherche
   • Parce que chaque passage est codé indépendamment de toute requête
   • Parce que les passages sont stockés uniquement sous forme de texte brut
4. Quelle astuce de formation permet à DPR de générer de nombreux exemples négatifs à moindre coût ?
   • Retournement aléatoire des étiquettes
   • Négatifs en lot, utilisant d'autres passages dans le même lot
   • Abandonner la moitié des neurones
   • Étiqueter manuellement chaque mauvais passage
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. Quel outil est couramment utilisé pour accélérer la recherche du voisin le plus proche à grande échelle ?
   • Un indice approximatif du voisin le plus proche tel que FAISS
   • Un tri par feuille de calcul
   • Un moteur d'expression régulière
   • Une jointure de base de données relationnelle
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