ऑनलाइन और कठिन नकारात्मक खनन प्रश्नोत्तरी

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

1. अधिकांश बेतरतीब ढंग से सैंपल किए गए नकारात्मक परिणाम त्रिक हानि में कम प्रशिक्षण संकेत क्यों प्रदान करते हैं?
   • आमतौर पर उन पर गलत लेबल लगाया जाता है
   • वे स्मृति में फिट होने के लिए बहुत छोटे हैं
   • वे पहले से ही लंगर से बहुत दूर हैं, इसलिए हानि और ढाल शून्य के करीब हैं
   • वे सदैव सकारात्मक दूरी के बराबर होते हैं
2. ऑनलाइन खनन को ऑफ़लाइन खनन से क्या अलग करता है?
   • ऑनलाइन खनन इंटरनेट का उपयोग करता है; ऑफ़लाइन नहीं है
   • ऑनलाइन खनन प्रत्येक मिनी-बैच के भीतर तत्काल कठिन उदाहरणों का चयन करता है
   • ऑनलाइन माइनिंग केवल टेक्स्ट पर काम करती है
   • ऑनलाइन खनन के लिए किसी फॉरवर्ड पास की आवश्यकता नहीं है
3. फेसनेट में परिभाषित 'अर्ध-कठिन' नकारात्मक क्या है?
   • सकारात्मक की तुलना में नकारात्मक एंकर के ज्यादा करीब है
   • एक नकारात्मक जो बिल्कुल एंकर के बराबर है
   • कोई भी बेतरतीब ढंग से चुना गया नकारात्मक
   • नकारात्मक सकारात्मक से कहीं अधिक है लेकिन अभी भी हाशिये पर है
4. बैच-हार्ड माइनिंग में, प्रत्येक एंकर के लिए कौन सा नकारात्मक चुना जाता है?
   • बैच में निकटतम नकारात्मक
   • बैच में सबसे दूर का नकारात्मक
   • एक यादृच्छिक नकारात्मक
   • औसत दूरी के साथ नकारात्मक
5. बड़े बैच का आकार खनन मीट्रिक-सीखने के परिणामों में सुधार क्यों करता है?
   • यह एम्बेडिंग आयाम को कम करता है
   • यह मार्जिन की आवश्यकता को समाप्त कर देता है
   • यह हानि फ़ंक्शन को हटा देता है
   • यह उम्मीदवार को प्रति चरण कठिन नकारात्मकताओं का एक समृद्ध पूल प्रदान करता है
6. पूर्णतः कठिनतम नकारात्मक को चुनने का ज्ञात जोखिम क्या है?
   • वे हमेशा बहुत आसान होते हैं
   • वे बैच मैट्रिक्स को छोटा बनाते हैं
   • उन पर गलत लेबल लगाया जा सकता है या लगभग डुप्लिकेट सकारात्मकताएं हो सकती हैं जो प्रशिक्षण को भ्रष्ट करती हैं
   • वे ग्रेडिएंट को पूरी तरह से हटा देते हैं
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