ガイド連動クイズ · 中 レベル

自己教師あり学習クイズ

データ派生ターゲット、BERT マスキング、SimCLR ペア、アノテーションのニーズ、適応、次のトークン タスク、プロジェクション ヘッド、および破損したトークン ターゲットを確認します。

関連するガイドパス自己教師あり学習
質問 1 の 8

Where does the supervision signal in the described self-supervised examples come from?

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

  1. Where does the supervision signal in the described self-supervised examples come from?
    • A requirement for no training objective
    • Only new human semantic labels for every pretraining example
    • A rule that examples contain no useful information
    • The data and defined transformations of it
  2. Which input positions contribute prediction targets to the original BERT masked-language-model loss?
    • The positions selected for the MLM prediction task
    • Every position in the entire input regardless of selection
    • Only the first position of each new sentence
    • Only positions that appear after the final sentence boundary
  3. SimCLR のような対照学習では、「ポジティブ ペア」は次のとおりです。
    • まったく関係のない2つの画像
    • 人間が書いたラベルのペア
    • 埋め込み空間内で近接している必要がある、同じ画像の 2 つの拡張ビュー
    • データセットの 2 つのコピー
  4. What annotation requirement can self-supervised pretraining reduce in the described examples?
    • The need for any usable input data
    • Separate task-specific semantic labels for every pretraining example
    • All computational cost by definition
    • The need to assess downstream performance
  5. How can a representation learned through self-supervision be used for a later task?
    • By evaluating a task head or adapting the representation through fine-tuning
    • By assuming every target task requires no labels or validation
    • By discarding all representations before making predictions
    • By treating the pretraining loss as proof of every application's accuracy
  6. GPT スタイルのモデルの自己教師ありタスクは BERT のそれとどのように異なりますか?
    • テキストは一切使用しません
    • すべての単語に手動でラベルを付ける必要がある
    • 文書の最初の単語のみを予測します
    • マスクされたトークンを埋めるのではなく、次のトークンを予測します。
  7. In the original SimCLR framework, which component is discarded for the reported downstream representation use?
    • The encoder representation itself
    • The contrastive projection head
    • All training inputs before pretraining begins
    • The positive-pair source-image relationship
  8. When original BERT pretraining replaces a selected input position with a random token, what remains its loss target?
    • The newly inserted random token
    • The next sentence's first token in every case
    • The original token before replacement
    • No target, because every random replacement is omitted from training