オンラインおよびハードネガティブマイニングクイズ

クイズに答えると、答えと解説が表示されます。

1. ランダムにサンプリングされたほとんどのネガでは、三重項損失のトレーニング信号がほとんど提供されないのはなぜですか?
   • 通常、誤ったラベルが貼られています
   • 小さすぎてメモリに収まりません
   • すでにアンカーから遠く離れているため、損失と勾配はゼロに近くなります。
   • それらは常に正の距離に等しくなります
2. オンラインマイニングとオフラインマイニングの違いは何ですか?
   • オンラインマイニングではインターネットを使用します。オフラインではできません
   • オンラインマイニングは、各ミニバッチ内のハードサンプルをその場で選択します
   • オンラインマイニングはテキストに対してのみ機能します
   • オンラインマイニングにはフォワードパスは必要ありません
3. FaceNet で定義されている「セミハード」ネガティブとは何ですか?
   • アンカーにプラスよりも近いマイナス
   • アンカーと正確に等しい負の値
   • ランダムに選択されたネガティブ
   • マイナスはプラスよりも遠いが、それでもマージン内にある
4. バッチハードマイニングでは、各アンカーにどのネガが選択されますか?
   • バッチ内で最も近いマイナス値
   • バッチ内で最も遠いマイナス
   • ランダムなネガティブ
   • 中央距離の負の値
5. バッチ サイズが大きくなると、マイニングされたメトリック学習の結果が向上する傾向があるのはなぜですか?
   • 埋め込み寸法を削減します
   • マージンが不要になります
   • 損失関数を削除します
   • ステップごとにハード ネガ候補の豊富なプールが提供されます。
6. 絶対的に最も難しいネガを選択することによる既知のリスクは何ですか?
   • 彼らはいつも簡単すぎる
   • バッチマトリックスが小さくなります
   • ラベルが間違っていたり、トレーニングを損なう陽性が重複している可能性があります。
   • グラデーションを完全に削除します
7. 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
8. 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