Kuis Pembelajaran Kontrastif

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa tujuan inti dari pembelajaran kontrastif?
   • Tarik pasangan yang serupa (positif) bersama-sama dan dorong pasangan yang berbeda (negatif) secara terpisah dalam ruang penyematan
   • Memprediksi nilai piksel yang tepat dari suatu gambar
   • Klasifikasikan setiap masukan ke dalam salah satu kumpulan label tetap
   • Minimalkan jumlah parameter model
2. Dalam metode gambar yang diawasi sendiri seperti SimCLR, bagaimana biasanya pasangan positif dibuat?
   • Dua gambar berbeda dari kelas berlabel yang sama
   • Gambar dan gambar yang dipilih secara acak dari kumpulan data
   • Dua augmentasi acak (misalnya crop, jitter warna) pada gambar yang sama
   • Sebuah gambar dipasangkan dengan topeng segmentasinya
3. Fungsi kerugian manakah yang paling terkait dengan pembelajaran kontrastif?
   • Kesalahan kuadrat rata-rata
   • InfoNCE
   • Entropi silang pada label kelas
   • Kerugian engsel untuk SVM
4. Mengapa metode seperti MoCo menggunakan bank memori atau antrian?
   • Untuk menyimpan label untuk penyesuaian yang diawasi
   • Untuk menyimpan prediksi akhir untuk inferensi yang lebih cepat
   • Untuk mengompresi model untuk perangkat seluler
   • Untuk memberikan banyak contoh negatif tanpa memerlukan ukuran batch yang besar
5. Masalah apa yang secara khusus diwaspadai oleh BYOL dan SimSiam tanpa menggunakan negatif yang eksplisit?
   • Overfitting ke label pelatihan
   • Meledaknya gradien di pengoptimal
   • Representasi runtuh, sehingga semua embeddings menjadi identik
   • Kecepatan pembelajaran menghilang
6. Bagaimana CLIP memperluas gagasan kontrastif tersebut?
   • Ini menyelaraskan gambar dengan keterangan teksnya di ruang penyematan bersama
   • Ini membedakan dua augmentasi dari klip audio yang sama
   • Ini menghilangkan kebutuhan akan jaringan saraf apa pun
   • Ini menggunakan pembelajaran penguatan, bukan kesamaan
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