文-BERT 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. Sentence-BERT は、プレーン BERT のどのような中心的な問題を解決しますか?
   • BERT を使用して多くの文をペアごとに比較すると遅すぎます
   • BERT は複数の文を読むことができません
   • BERT は英語でのみ機能します
   • BERT は微調整できません
2. Sentence-BERT はどのようなネットワーク アーキテクチャを使用しますか?
   • 単一の自己回帰デコーダ
   • 2 つの重量共有 BERT タワーを備えたシャム ネットワーク
   • 畳み込み画像ネットワーク
   • 強化学習エージェント
3. 元の Sentence-BERT 論文では、文の埋め込みを作成するためにどのプーリング戦略が評価されましたか?
   • 注目を集めるマックスプール
   • 最初の文字のみを使用する
   • トークン埋め込みに対する平均プーリング
   • 1 つのトークンをランダムに選択
4. 文が埋め込まれた後、その類似性は通常どのように測定されるのでしょうか?
   • 両方で BERT を再度実行する
   • 共有文字のカウント
   • ファイルサイズの比較
   • ベクトル間のコサイン類似度 (ドット積)
5. 元の Sentence-BERT 論文では、NLI 微調整にどのようなトレーニング データが使用されましたか?
   • Natural Language Inference examples labeled for entailment, contradiction and neutral relations
   • Only satellite images with land-cover labels
   • Only audio recordings with speaker labels
   • Only source code and bug reports
6. In a possible semantic-retrieval workflow, what can a Sentence-BERT bi-encoder do?
   • Cross-attend to every query-candidate pair before any encoding
   • Encode a query and candidate texts separately so vector similarity can rank candidates
   • Guarantee retrieval quality for every corpus
   • Replace the need to evaluate relevance
7. What does Matryoshka Representation Learning enable for an embedding?
   • It guarantees identical quality at every vector size
   • It converts embeddings into labeled text tokens
   • A single representation can be truncated to different dimensions to trade storage or compute for task performance
   • It removes the need for similarity comparisons
8. In a common hybrid retrieval pipeline, what happens after a bi-encoder retrieves candidate passages?
   • The candidate text is converted into audio
   • The bi-encoder is discarded and no ranking occurs
   • The system averages all documents into one sentence
   • A cross-encoder can score query-passage pairs to rerank the candidates