Quiz collegato alla guida · Difficile Livello
Quiz sull'estrazione mineraria negativa online e difficile
Test online e offline, selezione batch e semi-hard, risultati negativi fuorvianti e controlli dei candidati basati sulla distanza.
Domanda 1 di 8
Perché la maggior parte dei negativi campionati casualmente fornisce uno scarso segnale di addestramento nella perdita di triplette?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Perché la maggior parte dei negativi campionati casualmente fornisce uno scarso segnale di addestramento nella perdita di triplette?
- Di solito sono etichettati in modo errato
- Sono troppo piccoli per stare nella memoria
- Sono già lontani dall'ancora, quindi la perdita e la pendenza sono vicine allo zero
- Sono sempre uguali alla distanza positiva
- Cosa distingue il mining online dal mining offline?
- Il mining online utilizza Internet; offline no
- Il mining online seleziona al volo esempi concreti all'interno di ogni mini-batch
- Il mining online funziona solo sul testo
- Il mining online non richiede alcun passaggio in avanti
- Cos'è un negativo "semi-duro" come definito in FaceNet?
- Un negativo più vicino del positivo all'ancora
- Un negativo che equivale esattamente all'ancora
- Qualsiasi negativo scelto a caso
- Un negativo più lontano del positivo ma ancora all’interno del margine
- Nell'estrazione batch-hard, quale negativo viene scelto per ciascuna ancora?
- Il negativo più vicino nel lotto
- L'ultimo negativo del lotto
- Un negativo casuale
- Il negativo con la distanza mediana
- Perché i batch di dimensioni maggiori tendono a migliorare i risultati dell'apprendimento delle metriche estratte?
- Riduce la dimensione di inclusione
- Elimina la necessità di un margine
- Rimuove la funzione di perdita
- Fornisce un pool più ricco di negativi rigidi candidati per passaggio
- Qual è il rischio noto di selezionare i negativi più difficili in assoluto?
- Sono sempre troppo facili
- Rendono la matrice batch più piccola
- Potrebbero essere positivi etichettati erroneamente o quasi duplicati che corrompono la formazione
- Rimuovono completamente il gradiente
- 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
- 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