विरोधाभासी शिक्षण प्रश्नोत्तरी

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. विरोधाभासी शिक्षा का मुख्य उद्देश्य क्या है?
   • समान (सकारात्मक) जोड़ियों को एक साथ खींचें और एम्बेडिंग स्थान में असमान (नकारात्मक) जोड़ियों को अलग करें
   • किसी छवि के सटीक पिक्सेल मानों की भविष्यवाणी करें
   • प्रत्येक इनपुट को लेबल के एक निश्चित सेट में वर्गीकृत करें
   • मॉडल पैरामीटरों की संख्या कम करें
2. SimCLR जैसी स्व-पर्यवेक्षित छवि विधि में, एक सकारात्मक जोड़ी आम तौर पर कैसे बनाई जाती है?
   • एक ही लेबल वाले वर्ग की दो अलग-अलग छवियाँ
   • डेटासेट से एक छवि और बेतरतीब ढंग से चुनी गई छवि
   • एक ही छवि के दो यादृच्छिक संवर्द्धन (उदाहरण के लिए, फ़सलें, रंग का हिलना)।
   • एक छवि इसके विभाजन मास्क के साथ जोड़ी गई है
3. कौन सा हानि फ़ंक्शन विरोधाभासी शिक्षा से सबसे अधिक जुड़ा हुआ है?
   • माध्य वर्ग त्रुटि
   • जानकारीएनसीई
   • क्लास लेबल पर क्रॉस-एन्ट्रॉपी
   • एसवीएम के लिए हिंज हानि
4. MoCo जैसी विधियाँ मेमोरी बैंक या क्यू का उपयोग क्यों करती हैं?
   • पर्यवेक्षित फ़ाइन-ट्यूनिंग के लिए लेबल संग्रहीत करना
   • तेज़ अनुमान के लिए अंतिम भविष्यवाणियों को कैश करना
   • मोबाइल उपकरणों के लिए मॉडल को संपीड़ित करने के लिए
   • विशाल बैच आकार की आवश्यकता के बिना कई नकारात्मक उदाहरण प्रदान करना
5. स्पष्ट नकारात्मकताओं का उपयोग किए बिना BYOL और SimSiam विशेष रूप से किस समस्या से बचाव करते हैं?
   • प्रशिक्षण लेबलों पर ओवरफ़िटिंग
   • ऑप्टिमाइज़र में विस्फोटक ग्रेडिएंट्स
   • प्रतिनिधित्व पतन, जहां सभी एम्बेडिंग समान हो जाते हैं
   • लुप्त हो रही सीखने की दर
6. सीएलआईपी विरोधाभासी विचार का विस्तार कैसे करता है?
   • यह साझा एम्बेडिंग स्थान में छवियों को उनके टेक्स्ट कैप्शन के साथ संरेखित करता है
   • यह एक ही ऑडियो क्लिप के दो संवर्द्धन के बीच अंतर करता है
   • यह किसी भी तंत्रिका नेटवर्क की आवश्यकता को हटा देता है
   • यह समानता के बजाय सुदृढीकरण सीखने का उपयोग करता है
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