FastText サブワード埋め込みクイズ

クイズに答えると、答えと解説が表示されます。

1. FastText は単一の単語をどのように表現するのでしょうか?
   • 文字 N グラムをまとめたバッグとして
   • 分割不可能な 1 つのトークンとしてのみ
   • 辞書からの定義としては
   • ランダムベクトルとして
2. Word2Vec と GloVe の主な制限は何ですか? FastText は克服しますか?
   • 彼らは走るのが速すぎる
   • 語彙外の単語のベクトルを作成することはできません
   • 彼らは句読点を無視します
   • 英語のみで動作します
3. 3 文字の N グラムを含む単語「where」の場合、有効な N グラム (境界マーカー付き) はどれですか?
   • <どこ>のみ
   • xyz
   • 誰が
   • の
4. FastText の埋め込みモデルはどの基礎的なトレーニング目標に基づいて構築されていますか?
   • GloVe行列因数分解
   • 文レベルの翻訳
   • 画像分類損失
   • ネガティブサンプリングによるスキップグラム
5. FastText がフィンランド語やトルコ語などの言語に特に役立つのはなぜですか?
   • これらは形態学的に豊富で、サブワードを共有する多くの語形変化が含まれています。
   • 彼らは言葉がほとんどない
   • スペースは使用しません
   • 彼らは珍しい言葉を持っていない
6. Which separate method did Sennrich and colleagues describe for representing rare words in neural machine translation?
   • Byte-pair encoding as subword units
   • FastText’s hashed character n-gram bucket table
   • A full-word-only vocabulary that discards rare tokens
   • GloVe’s global co-occurrence matrix
7. How does FastText store learnable features for its character n-grams?
   • It stores every complete sentence as a separate vector
   • It assigns each n-gram a pixel grid in a convolutional decoder
   • It hashes n-grams into a fixed-size bucket table with learned vectors
   • It replaces all subword features with a hand-written dictionary
8. What can fastText's supervised mode do efficiently with its bag-of-features model?
   • Estimate the 3D shape of an object from a single image
   • Generate new audio waveforms from a spectrogram
   • Compute a global word-word co-occurrence matrix only
   • Classify text for tasks such as language identification or tagging