Quiz collegato alla guida · Medio Livello
Quiz di apprendimento semi-supervisionato
Esamina la disponibilità di etichette miste, l'autoformazione, la coerenza, i presupposti dei cluster, FixMatch, il rinforzo degli errori, la propagazione del grafico e i marcatori senza etichetta.
Domanda 1 di 8
L’apprendimento semi-supervisionato è progettato per situazioni in cui:
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- L’apprendimento semi-supervisionato è progettato per situazioni in cui:
- Ogni esempio è completamente etichettato
- Non hai alcun dato
- Le etichette sono infinitamente economiche da ottenere
- Hai pochi dati etichettati e molti dati senza etichetta
- How does self-training use selected predictions on unlabeled examples?
- It treats selected model guesses as pseudo-labels for further fitting
- It converts every guess into a verified human annotation
- It permanently removes the original labeled examples by definition
- It chooses labels only from alphabetical order
- Under consistency regularization, what agreement is encouraged across chosen class-preserving augmentations?
- A requirement that every arbitrary edit preserve the class
- Opposite predictions for every view of an example
- Agreement in the model's predictions
- Removal of every unlabeled input from the loss
- What does a cluster assumption propose for grouped observations in a semi-supervised method?
- Every possible cluster must contain every class equally
- They are likely to share a label under the assumed data structure
- All semi-supervised methods guarantee identical clusters
- Labels are determined by filename order
- In che modo FixMatch combina le due idee principali?
- Pseudo-etichetta un input debolmente aumentato, quindi addestra la versione fortemente aumentata in modo che corrisponda
- Utilizza solo dati etichettati e ignora tutto il resto
- Elimina completamente gli aumenti
- Assegna le etichette in modo puramente casuale
- How can confirmation bias arise during pseudo-label training?
- Only low-confidence labels can ever be wrong
- Every selected prediction becomes a verified fact
- Using any verified label prevents the model from learning
- Incorrect model-generated labels are accepted and then reinforced
- Which structure distinguishes graph-based label propagation from repeatedly selecting a classifier's confident guesses?
- Only a threshold on independently predicted class probabilities
- A similarity graph over labeled and unlabeled observations
- A list of random output labels with no input similarities
- A requirement to discard every relationship between observations
- In the stated scikit-learn semi-supervised interface, which integer marks an unlabeled target entry?
- Zero, necessarily the first actual class label
- One, necessarily the second actual class label
- Minus one
- Fifty, interpreted as a percentage-confidence threshold