온라인 및 하드 네거티브 마이닝 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 무작위로 샘플링된 대부분의 네거티브가 삼중항 손실에서 훈련 신호를 거의 제공하지 않는 이유는 무엇입니까?
   • 일반적으로 라벨이 잘못 지정되어 있습니다.
   • 메모리에 담기에는 너무 작습니다.
   • 이미 앵커에서 멀리 떨어져 있으므로 손실과 기울기가 0에 가깝습니다.
   • 그들은 항상 양의 거리와 같습니다
2. 온라인 마이닝과 오프라인 마이닝의 차이점은 무엇입니까?
   • 온라인 마이닝은 인터넷을 사용합니다. 오프라인은 그렇지 않습니다
   • 온라인 마이닝은 각 미니 배치 내에서 즉석에서 하드 예제를 선택합니다.
   • 온라인 마이닝은 텍스트에서만 작동합니다.
   • 온라인 마이닝에는 전달 패스가 필요하지 않습니다.
3. FaceNet에 정의된 '세미 하드' 네거티브란 무엇입니까?
   • 앵커에 긍정적인 것보다 더 가까운 부정적인 것
   • 앵커와 정확히 같은 네거티브
   • 무작위로 선택된 네거티브
   • 음수는 양수보다 멀지만 여전히 여백 내에 있습니다.
4. 배치 하드 마이닝에서 각 앵커에 대해 어떤 네거티브가 선택됩니까?
   • 배치에서 가장 가까운 음수
   • 배치에서 가장 먼 음수
   • 무작위 부정
   • 중앙 거리의 음수
5. 배치 크기가 클수록 마이닝된 메트릭 학습 결과가 향상되는 경향이 있는 이유는 무엇입니까?
   • 임베딩 차원을 줄입니다.
   • 마진이 필요하지 않습니다.
   • 손실 함수를 제거합니다.
   • 단계별로 더욱 풍부한 하드 네거티브 후보 풀을 제공합니다.
6. 가장 어려운 네거티브를 선택할 때 알려진 위험은 무엇입니까?
   • 그것들은 언제나 너무 쉬워
   • 배치 매트릭스를 더 작게 만듭니다.
   • 레이블이 잘못 지정되었거나 훈련을 손상시키는 거의 중복된 긍정이 있을 수 있습니다.
   • 그라데이션을 완전히 제거합니다.
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