対照学習クイズ

クイズに答えると、答えと解説が表示されます。

1. 対照学習の中心的な目的は何ですか?
   • 埋め込み空間内で類似した (正の) ペアを引き寄せ、異なる (負の) ペアを押し離します。
   • 画像の正確なピクセル値を予測する
   • すべての入力を固定ラベルセットのいずれかに分類します。
   • モデルパラメータの数を最小限に抑える
2. SimCLR のような自己教師あり画像手法では、通常、正のペアはどのように作成されますか?
   • 同じラベル付きクラスの 2 つの異なるイメージ
   • 画像とデータセットからランダムに選択された画像
   • 同じ画像の 2 つのランダムな拡張 (トリミング、色のジッターなど)
   • セグメンテーション マスクとペアになった画像
3. どの損失関数が対照学習に最も関連していますか?
   • 平均二乗誤差
   • 情報
   • クラスラベル上のクロスエントロピー
   • SVM のヒンジ損失
4. MoCo のようなメソッドがメモリ バンクまたはキューを使用するのはなぜですか?
   • 監視付き微調整用のラベルを保存するには
   • 推論を高速化するために最終予測をキャッシュするには
   • モバイルデバイス用にモデルを圧縮するには
   • 膨大なバッチサイズを必要とせずに多くの負の例を提供するには
5. BYOL と SimSiam は、明示的なネガを使用せずに具体的にどのような問題を防ぎますか?
   • トレーニングラベルへの過剰適合
   • オプティマイザーでの勾配の爆発
   • すべての埋め込みが同一になる表現の崩壊
   • 消失学習率
6. CLIPは対照的なアイデアをどのように拡張しますか?
   • 共有埋め込みスペースで画像とそのテキストキャプションを配置します。
   • 同じオーディオ クリップの 2 つの拡張部分を対比します。
   • ニューラルネットワークが不要になります
   • 類似性の代わりに強化学習を使用します
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