Quiz minier négatif en ligne et dur

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

1. Pourquoi la plupart des négatifs échantillonnés au hasard fournissent-ils peu de signaux d’entraînement en cas de perte de triplet ?
   • Ils sont généralement mal étiquetés
   • Ils sont trop petits pour tenir en mémoire
   • Ils sont déjà loin du point d'ancrage, donc la perte et la pente sont proches de zéro
   • Ils sont toujours égaux à la distance positive
2. Qu'est-ce qui distingue le minage en ligne du minage hors ligne ?
   • L'exploitation minière en ligne utilise Internet ; hors ligne, non
   • L'exploitation minière en ligne sélectionne à la volée des exemples concrets dans chaque mini-lot
   • Le minage en ligne ne fonctionne que sur du texte
   • L'exploitation minière en ligne ne nécessite aucun passage en avant
3. Qu'est-ce qu'un négatif « semi-dur » tel que défini dans FaceNet ?
   • Un négatif plus proche que le positif de l’ancre
   • Un négatif qui équivaut exactement à l’ancre
   • Tout négatif choisi au hasard
   • Un négatif plus loin que le positif mais toujours dans la marge
4. Dans le minage par lots, quel négatif est choisi pour chaque ancre ?
   • Le négatif le plus proche du lot
   • Le négatif le plus éloigné du lot
   • Un négatif aléatoire
   • Le négatif avec la distance médiane
5. Pourquoi une taille de lot plus grande a-t-elle tendance à améliorer les résultats d’apprentissage des métriques ?
   • Il réduit la dimension d'intégration
   • Cela élimine le besoin de marge
   • Il supprime la fonction de perte
   • Il fournit un pool plus riche de candidats négatifs définitifs par étape
6. Quel est le risque connu lié à la sélection des négatifs absolus les plus difficiles ?
   • Ils sont toujours trop faciles
   • Ils rendent la matrice de lots plus petite
   • Ils peuvent être mal étiquetés ou presque en double, ce qui corrompt la formation.
   • Ils suppriment entièrement le dégradé
7. With positive distance 0.4 and margin 0.2, which negative distance is semi-hard under the described rule?
   • 0,5
   • 0,2
   • 0.8
   • 1.1
8. Why does ordinary online mining within one minibatch not necessarily find the hardest negative in the entire dataset?
   • Every batch contains the complete dataset
   • Its available candidate pool is the examples in that batch
   • Distance calculations prove no other examples exist
   • The model discards all negative labels