埋め込みクイズ

クイズに答えると、答えと解説が表示されます。

1. What is an embedding in the numerical representation sense used here?
   • A dictionary definition that must be stored verbatim
   • A required compression format for image files
   • A vector representing an item for a model or comparison task
   • An exact database row identifier only
2. What can closeness in a trained semantic embedding space indicate?
   • Similarity learned under that model’s objective
   • A guarantee that two statements are equally true
   • An identical byte sequence in every case
   • A universal relation independent of training
3. 2 つのエンベディングを比較するために一般的に使用されるメトリックはどれですか?
   • ファイルサイズの違い
   • アルファベット順
   • 単語数
   • コサイン類似度
4. What tradeoff can an approximate embedding index such as HNSW introduce?
   • A guarantee of complete exact retrieval in every configuration
   • Faster search with possible missed exact nearest neighbors
   • A required change of every vector to a word definition
   • Automatic removal of all training-data bias
5. 古典的な「王様 - 男性 + 女性 ≈ 女王」の例は、埋め込みについて何を示しているのでしょうか?
   • ベクトル演算を通じて関係を捉えることができます
   • 単語の正確な定義を保存します
   • ロイヤルティ条件でのみ機能します
   • それらはランダムで意味がありません
6. 埋め込みを使用する場合、実際のリスクはどれですか?
   • データベースに保存することはできません
   • 英語のみで動作します
   • トレーニング データに存在するバイアスを継承し、反映することができます。
   • すべての検索は完全一致のみになります
7. Two unit-length embedding vectors have dot product 0.8. What is their squared Euclidean distance?
   • 0.2
   • 0.4
   • 0.8
   • 1.6
8. When does an inner-product score equal cosine similarity for two nonzero embedding vectors?
   • Whenever their dimensions are equal
   • Whenever they came from two unrelated model families
   • Only when their coordinates are all zero
   • When both vectors have been normalized to unit length