Quiz collegato alla guida · Difficile Livello

Quiz sull'apprendimento contrastivo

Esercitati con coppie positive contrastive, collasso di incorporamento e somiglianza su scala di temperatura, incluso il modo in cui le code MoCo differiscono dalle cache di inferenza.

Percorsi guida correlatiApprendimento contrastivo
Domanda 1 di 8

Qual è l’obiettivo principale dell’apprendimento contrastivo?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Qual è l’obiettivo principale dell’apprendimento contrastivo?
    • Avvicina coppie simili (positive) e allontana coppie dissimili (negative) nello spazio di inclusione
    • Prevedere i valori esatti dei pixel di un'immagine
    • Classificare ogni input in uno di un insieme fisso di etichette
    • Ridurre al minimo il numero di parametri del modello
  2. In un metodo di immagine autocontrollato come SimCLR, come viene generalmente creata una coppia positiva?
    • Due immagini diverse della stessa classe etichettata
    • Un'immagine e un'immagine scelta casualmente dal set di dati
    • Due aumenti casuali (ad esempio ritagli, jitter del colore) della stessa immagine
    • Un'immagine abbinata alla relativa maschera di segmentazione
  3. Quale funzione di perdita è maggiormente associata all’apprendimento contrastivo?
    • Errore quadratico medio
    • InfoNCE
    • Entropia incrociata sulle etichette di classe
    • Perdita della cerniera per SVM
  4. Perché metodi come MoCo utilizzano un banco di memoria o una coda?
    • Per memorizzare le etichette per la regolazione fine supervisionata
    • Per memorizzare nella cache le previsioni finali per un'inferenza più rapida
    • Per comprimere il modello per i dispositivi mobili
    • Fornire molti esempi negativi senza bisogno di lotti di dimensioni enormi
  5. Da quale problema BYOL e SimSiam si proteggono specificamente senza utilizzare negativi espliciti?
    • Adattamento eccessivo alle etichette di formazione
    • Gradienti esplosivi nell'ottimizzatore
    • Collasso della rappresentazione, dove tutti gli incorporamenti diventano identici
    • Tasso di apprendimento evanescente
  6. In che modo CLIP estende l'idea contrastiva?
    • Allinea le immagini con le relative didascalie di testo in uno spazio di incorporamento condiviso
    • Contrasta due aumenti della stessa clip audio
    • Elimina la necessità di qualsiasi rete neurale
    • Utilizza l'apprendimento per rinforzo invece della somiglianza
  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