Kuiz Pembelajaran Kontrastif

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. Apakah objektif teras pembelajaran kontrastif?
   • Tarik pasangan yang serupa (positif) bersama-sama dan tolak pasangan yang tidak serupa (negatif) dalam ruang benam
   • Ramalkan nilai piksel yang tepat bagi sesuatu imej
   • Kelaskan setiap input ke dalam satu set label tetap
   • Minimumkan bilangan parameter model
2. Dalam kaedah imej yang diselia sendiri seperti SimCLR, bagaimanakah pasangan positif biasanya dicipta?
   • Dua imej berbeza dari kelas berlabel yang sama
   • Imej dan imej yang dipilih secara rawak daripada set data
   • Dua penambahan rawak (cth., tanaman, jitter warna) imej yang sama
   • Imej yang dipasangkan dengan topeng pembahagiannya
3. Fungsi kehilangan yang manakah paling dikaitkan dengan pembelajaran kontrastif?
   • Min ralat kuasa dua
   • InfoNCE
   • Entropi silang atas label kelas
   • Kehilangan engsel untuk SVM
4. Mengapakah kaedah seperti MoCo menggunakan bank memori atau baris gilir?
   • Untuk menyimpan label untuk penalaan halus yang diawasi
   • Untuk menyimpan ramalan akhir untuk inferens yang lebih cepat
   • Untuk memampatkan model untuk peranti mudah alih
   • Untuk membekalkan banyak contoh negatif tanpa memerlukan saiz kelompok yang besar
5. Apakah masalah yang secara khusus dijaga oleh BYOL dan SimSiam tanpa menggunakan negatif yang jelas?
   • Terlalu pasang pada label latihan
   • Kecerunan yang meletup dalam pengoptimum
   • Perwakilan runtuh, di mana semua benam menjadi sama
   • Kadar pembelajaran yang hilang
6. Bagaimanakah CLIP memanjangkan idea kontrastif?
   • Ia menjajarkan imej dengan kapsyen teks mereka dalam ruang benam yang dikongsi
   • Ia membezakan dua penambahan klip audio yang sama
   • Ia menghilangkan keperluan untuk sebarang rangkaian saraf
   • Ia menggunakan pembelajaran pengukuhan dan bukannya persamaan
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