Útmutatóhoz kapcsolódó kvíz · Kemény Szint

Kontrasztív tanulási kvíz

Practice contrastive positive pairs, embedding collapse, and temperature-scaled similarity, including how MoCo queues differ from inference caches.

Kapcsolódó útmutató utakKontrasztív tanulás
kérdés 1 -ból 8

Mi a kontrasztív tanulás alapvető célja?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi a kontrasztív tanulás alapvető célja?
    • Húzza össze a hasonló (pozitív) párokat, és tolja szét a különböző (negatív) párokat a beágyazási térben
    • Jósolja meg a kép pontos pixelértékeit
    • Minden bemenetet besoroljon egy rögzített címkekészletbe
    • Minimalizálja a modellparaméterek számát
  2. Egy önfelügyelt képmódszerben, mint például a SimCLR, hogyan jön létre általában a pozitív pár?
    • Két különböző kép ugyanabból a címkézett osztályból
    • Egy kép és egy véletlenszerűen kiválasztott kép az adatkészletből
    • Ugyanannak a képnek két véletlenszerű kiegészítése (pl. kivágás, színrezgés).
    • A szegmentációs maszkkal párosított kép
  3. Melyik veszteségfüggvény kapcsolódik leginkább a kontrasztív tanuláshoz?
    • Átlagos négyzetes hiba
    • InfoNCE
    • Keresztentrópia az osztálycímkék felett
    • Csuklás SVM-eknél
  4. Miért használnak olyan módszerek, mint a MoCo, memóriabankot vagy sort?
    • Címkék tárolására felügyelt finomhangoláshoz
    • A végső előrejelzések gyorsítótárazása a gyorsabb következtetés érdekében
    • A modell tömörítéséhez mobileszközökhöz
    • Sok negatív példa bemutatása anélkül, hogy óriási tételméretre lenne szükség
  5. Milyen probléma ellen védekezik kifejezetten a BYOL és a SimSiam kifejezetten negatívumok használata nélkül?
    • Túlillesztés a képzési címkékre
    • Felrobbanó gradiensek az optimalizálóban
    • Az ábrázolás összeomlása, ahol minden beágyazás azonos lesz
    • Eltűnő tanulási arány
  6. Hogyan terjeszti ki a CLIP a kontrasztos ötletet?
    • Egy megosztott beágyazási területen igazítja a képeket a feliratokhoz
    • Ugyanannak a hangfelvételnek két kiegészítését állítja szembe egymással
    • Megszünteti a neurális hálózatok szükségességét
    • Megerősítő tanulást használ a hasonlóság helyett
  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