Kuis Pengambilan Bagian Padat

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. How does Dense Passage Retrieval decide which passages match a query?
   • Membandingkan representasi vektor padat dari kueri dan bagian berdasarkan kesamaan
   • Menghitung berapa banyak kata query yang muncul di setiap dokumen
   • Menerjemahkan kueri ke dalam SQL sebelum mencari
   • Memberi peringkat pada dokumen berdasarkan seberapa baru dokumen tersebut diterbitkan
2. DPR menggunakan arsitektur 'bi-encoder'. Maksudnya itu apa?
   • Ini mengkodekan teks dua kali dan merata-ratakan hasilnya
   • Ini hanya berfungsi pada dokumen bilingual
   • Ini mengkodekan karakter dan kata secara bersamaan
   • Ia menggunakan dua pembuat enkode terpisah, satu untuk kueri dan satu lagi untuk bagian
3. Mengapa vektor lintasan dapat dihitung terlebih dahulu di DPR?
   • Karena bagian-bagiannya tidak pernah berubah setelah ditulis
   • Karena encoder kueri dinonaktifkan pada waktu pencarian
   • Karena setiap bagian dikodekan secara independen dari kueri apa pun
   • Karena bagian-bagiannya disimpan sebagai teks mentah saja
4. Trik pelatihan apa yang membuat DPR menghasilkan banyak contoh negatif dengan harga murah?
   • Pembalikan label acak
   • Negatif dalam kelompok, menggunakan bagian lain dalam kelompok yang sama
   • Menghilangkan separuh neuron
   • Memberi label secara manual pada setiap bagian yang salah
5. For what vocabulary mismatch can learned DPR representations be useful compared with lexical matching alone?
   • The passage is unrelated but repeats the query's terms
   • Every query contains only an exact serial number
   • The encoder is guaranteed to retrieve the right answer for all inputs
   • A relevant passage expresses a query's idea using different words
6. Alat apa yang biasa digunakan untuk mempercepat pencarian tetangga terdekat DPR dalam skala besar?
   • Perkiraan indeks tetangga terdekat seperti FAISS
   • Semacam spreadsheet
   • Mesin ekspresi reguler
   • Gabungan database relasional
7. Why can BM25-retrieved nonanswer passages be useful hard negatives when training DPR?
   • They guarantee that every retrieved passage is irrelevant
   • Their lexical overlap can make them challenging distractors that the retriever must distinguish from the answer passage
   • They remove the need for a positive answer passage
   • They force the passage encoder to count words without learning
8. After changing DPR's passage encoder, what should happen to a stored passage-vector index?
   • Keep the old embeddings because encoder weights cannot affect vectors
   • Rename the index without recalculating any representation
   • Recompute the passage embeddings with the intended compatible encoder and update the index
   • Disable the query encoder and search raw filenames instead