임베딩 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. What is an embedding in the numerical representation sense used here?
   • A dictionary definition that must be stored verbatim
   • A required compression format for image files
   • A vector representing an item for a model or comparison task
   • An exact database row identifier only
2. What can closeness in a trained semantic embedding space indicate?
   • Similarity learned under that model’s objective
   • A guarantee that two statements are equally true
   • An identical byte sequence in every case
   • A universal relation independent of training
3. 두 임베딩을 비교하는 데 일반적으로 사용되는 측정항목은 무엇인가요?
   • 파일 크기 차이
   • 알파벳순
   • 단어 수
   • 코사인 유사성
4. What tradeoff can an approximate embedding index such as HNSW introduce?
   • A guarantee of complete exact retrieval in every configuration
   • Faster search with possible missed exact nearest neighbors
   • A required change of every vector to a word definition
   • Automatic removal of all training-data bias
5. 고전적인 '왕 - 남자 + 여자 ≒ 여왕' 예는 임베딩에 대해 무엇을 보여줍니까?
   • 벡터 연산을 통해 관계를 포착할 수 있습니다.
   • 단어의 정확한 정의를 저장합니다.
   • 로열티 조건에 대해서만 작동합니다.
   • 그것들은 무작위적이고 의미가 없습니다.
6. 임베딩을 사용할 때 실제 위험은 무엇입니까?
   • 데이터베이스에 저장할 수 없습니다.
   • 그들은 영어로만 일해요
   • 훈련 데이터에 존재하는 편견을 상속하고 반영할 수 있습니다.
   • 그들은 모든 검색을 정확히 일치시키는 것만 만듭니다
7. Two unit-length embedding vectors have dot product 0.8. What is their squared Euclidean distance?
   • 0.2
   • 0.4
   • 0.8
   • 1.6
8. When does an inner-product score equal cosine similarity for two nonzero embedding vectors?
   • Whenever their dimensions are equal
   • Whenever they came from two unrelated model families
   • Only when their coordinates are all zero
   • When both vectors have been normalized to unit length