대조 학습 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 대조 학습의 핵심 목표는 무엇입니까?
   • 임베딩 공간에서 유사한(양성) 쌍을 함께 당기고 서로 다른(음성) 쌍을 밀어냅니다.
   • 이미지의 정확한 픽셀 값 예측
   • 모든 입력을 고정된 레이블 집합 중 하나로 분류
   • 모델 매개변수 수 최소화
2. SimCLR과 같은 자기 감독 이미지 방법에서 포지티브 쌍은 일반적으로 어떻게 생성됩니까?
   • 동일한 라벨이 지정된 클래스의 두 가지 다른 이미지
   • 이미지와 데이터 세트에서 무작위로 선택된 이미지
   • 동일한 이미지의 두 가지 무작위 확대(예: 자르기, 색상 지터)
   • 분할 마스크와 쌍을 이루는 이미지
3. 대조 학습과 가장 관련이 있는 손실 함수는 무엇입니까?
   • 평균 제곱 오차
   • 인포엔스
   • 클래스 레이블에 대한 교차 엔트로피
   • SVM의 힌지 손실
4. MoCo와 같은 메소드가 메모리 뱅크나 큐를 사용하는 이유는 무엇입니까?
   • 감독된 미세 조정을 위해 레이블을 저장하려면
   • 더 빠른 추론을 위해 최종 예측을 캐시하려면
   • 모바일 장치용 모델을 압축하려면
   • 막대한 배치 크기 없이 많은 부정적인 예를 제공하려면
5. BYOL과 SimSiam은 명시적인 부정문을 사용하지 않고 구체적으로 어떤 문제를 방지합니까?
   • 훈련 라벨에 과적합
   • 옵티마이저에서 그라디언트 폭발
   • 모든 임베딩이 동일해지는 표현 붕괴
   • 사라지는 학습률
6. CLIP은 대조적인 아이디어를 어떻게 확장하나요?
   • 공유된 임베딩 공간에서 이미지를 텍스트 캡션과 정렬합니다.
   • 동일한 오디오 클립의 두 가지 확대 내용을 대조합니다.
   • 신경망이 필요하지 않습니다.
   • 유사성 대신 강화 학습을 사용합니다.
7. A contrastive image encoder maps every photo to the same vector. Which failure does this illustrate?
   • A useful separation of image categories
   • An increase in the number of negative samples
   • A perfect nearest-neighbor representation
   • Representation collapse
8. Why is MoCo’s training queue different from caching completed inference responses?
   • It serves final chatbot responses without model execution
   • It supplies encoded comparison examples for a contrastive training objective
   • It replaces every positive image with a label
   • It removes the need to update any encoder