Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Félig felügyelt tanulási kvíz

Review mixed label availability, self-training, consistency, cluster assumptions, FixMatch, error reinforcement, graph propagation, and unlabeled markers.

Kapcsolódó útmutató utakFélig felügyelt tanulás
kérdés 1 -ból 8

A félig felügyelt tanulást olyan helyzetekre tervezték, ahol:

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. A félig felügyelt tanulást olyan helyzetekre tervezték, ahol:
    • Minden példa teljesen fel van címkézve
    • Egyáltalán nincsenek adatok
    • A címkéket végtelenül olcsón lehet beszerezni
    • Van egy kevés címkézett adata és sok címkézetlen adata
  2. How does self-training use selected predictions on unlabeled examples?
    • It treats selected model guesses as pseudo-labels for further fitting
    • It converts every guess into a verified human annotation
    • It permanently removes the original labeled examples by definition
    • It chooses labels only from alphabetical order
  3. Under consistency regularization, what agreement is encouraged across chosen class-preserving augmentations?
    • A requirement that every arbitrary edit preserve the class
    • Opposite predictions for every view of an example
    • Agreement in the model's predictions
    • Removal of every unlabeled input from the loss
  4. What does a cluster assumption propose for grouped observations in a semi-supervised method?
    • Every possible cluster must contain every class equally
    • They are likely to share a label under the assumed data structure
    • All semi-supervised methods guarantee identical clusters
    • Labels are determined by filename order
  5. Hogyan kombinálja a FixMatch a két fő ötletet?
    • Álcímkéz egy gyengén bővített bemenetet, majd betanítja az erősen bővített változatot, hogy megfeleljen
    • Csak címkézett adatokat használ, és figyelmen kívül hagy minden mást
    • Teljesen törli a kiegészítéseket
    • A címkéket tisztán véletlenszerűen rendeli hozzá
  6. How can confirmation bias arise during pseudo-label training?
    • Only low-confidence labels can ever be wrong
    • Every selected prediction becomes a verified fact
    • Using any verified label prevents the model from learning
    • Incorrect model-generated labels are accepted and then reinforced
  7. Which structure distinguishes graph-based label propagation from repeatedly selecting a classifier's confident guesses?
    • Only a threshold on independently predicted class probabilities
    • A similarity graph over labeled and unlabeled observations
    • A list of random output labels with no input similarities
    • A requirement to discard every relationship between observations
  8. In the stated scikit-learn semi-supervised interface, which integer marks an unlabeled target entry?
    • Zero, necessarily the first actual class label
    • One, necessarily the second actual class label
    • Minus one
    • Fifty, interpreted as a percentage-confidence threshold