Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Bradley-Terry Jutalommodell kvíz
Understand how Bradley-Terry turns pairwise choices into scores, supports reward modeling, and relates to common ranking systems.
kérdés 1 -ból 8
Mit konvertál a Bradley-Terry modell numerikus pontszámokká?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mit konvertál a Bradley-Terry modell numerikus pontszámokká?
- A preferált tétel páronkénti összehasonlítása
- Abszolút 1-10 értékelés
- Nyers pixelértékek
- Idősoros mérések
- Bradley-Terryben annak a valószínűsége, hogy A veri B-t, minek a függvénye?
- A pontszámaik szorzata
- A pontszámaik közötti különbség logisztikája
- A tokenjük aránya számít
- Rögzített 50 százalék a pontszámoktól függetlenül
- Miért csak egy additív állandóig azonosíthatók a Bradley-Terry-jutalmak?
- Mert a pontszámok összege egy
- Mert az ember nem tud számolni
- Mert a veszteség csak a pontkülönbségeken múlik
- Mert a szigmoid eltávolít minden információt
- Mennyi a standard veszteség egyetlen preferencia-összehasonlítás esetén a jutalommodellezésben?
- Átlagos négyzetes hiba az 1-től 10-ig terjedő címkéhez képest
- Keresztentrópia a teljes szókincs felett
- A tokenhosszak abszolút különbsége
- Negatív log-szigmoid (a választott jutalma mínusz az elutasított jutalma)
- Melyik módszer hagyja ki a külön jutalmazási modellt azáltal, hogy a Bradley-Terry célt közvetlenül a szabályzaton optimalizálja?
- Közvetlen preferenciaoptimalizálás (DPO)
- Proximális házirend-optimalizálás (PPO)
- Kötegelt normalizálás
- Gradiens vágás
- Mi a Bradley-Terry feltevés fő korlátja?
- A számításhoz GPU-kra van szükség
- Egyetlen következetes, tranzitív rangsorolást feltételez, amely megszakadhat, amikor a preferenciák körbefordulnak
- Csak képeken működik
- Háromnál többet nem tud kezelni
- Why can pairwise judgments be easier to collect than absolute quality scores?
- Pairwise choices never contain disagreement
- Absolute scores cannot be used for training
- A rater can compare two candidates directly without calibrating a numeric scale
- A pairwise label reveals every feature of the reward model
- Which familiar ranking system is mathematically related to Bradley-Terry-style pairwise scoring?
- PageRank for web pages
- TF-IDF for document terms
- A Fourier transform for audio
- Elo ratings