Kuis Penambangan Negatif Online dan Keras

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Mengapa sebagian besar sampel negatif yang diambil secara acak memberikan sedikit sinyal pelatihan dalam kehilangan triplet?
   • Mereka biasanya diberi label yang salah
   • Mereka terlalu kecil untuk dimasukkan dalam memori
   • Mereka sudah jauh dari jangkar, sehingga kerugian dan gradiennya mendekati nol
   • Jaraknya selalu sama dengan jarak positif
2. Apa yang membedakan penambangan online dengan penambangan offline?
   • Penambangan online menggunakan internet; offline tidak
   • Penambangan online memilih contoh sulit dalam setiap mini-batch dengan cepat
   • Penambangan online hanya berfungsi pada teks
   • Penambangan online tidak memerlukan forward pass
3. Apa yang dimaksud dengan negatif 'semi-keras' seperti yang didefinisikan dalam FaceNet?
   • Yang negatif lebih dekat daripada yang positif ke jangkar
   • Negatif yang sama persis dengan jangkar
   • Negatif apa pun yang dipilih secara acak
   • Yang negatif lebih jauh dari yang positif tetapi masih dalam margin
4. Dalam penambangan batch-hard, negatif manakah yang dipilih untuk setiap jangkar?
   • Negatif terdekat dalam kumpulan
   • Negatif terjauh dalam kelompok
   • Negatif acak
   • Negatif dengan jarak median
5. Mengapa ukuran batch yang lebih besar cenderung meningkatkan hasil pembelajaran metrik yang ditambang?
   • Ini mengurangi dimensi penyematan
   • Ini menghilangkan kebutuhan akan margin
   • Ini menghilangkan fungsi kerugian
   • Ini memberikan kumpulan kandidat negatif keras yang lebih kaya per langkah
6. Apa risiko yang diketahui dalam memilih negatif yang paling sulit?
   • Itu selalu terlalu mudah
   • Mereka membuat matriks batch lebih kecil
   • Hal-hal tersebut mungkin diberi label yang salah atau hampir menduplikasi hal-hal positif yang merusak pelatihan
   • Mereka menghapus gradien seluruhnya
7. With positive distance 0.4 and margin 0.2, which negative distance is semi-hard under the described rule?
   • 0,5
   • 0,2
   • 0,8
   • 1.1
8. Why does ordinary online mining within one minibatch not necessarily find the hardest negative in the entire dataset?
   • Every batch contains the complete dataset
   • Its available candidate pool is the examples in that batch
   • Distance calculations prove no other examples exist
   • The model discards all negative labels