Gids-gekoppelde quiz · Moeilijk Niveau

Online en harde negatieve mijnbouwquiz

Test online versus offline pools, batch-harde en semi-harde selectie, misleidende negatieven en op afstand gebaseerde kandidatencontroles.

Vraag 1 van 8

Waarom geven de meeste willekeurig bemonsterde negatieven weinig trainingssignaal bij tripletverlies?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Waarom geven de meeste willekeurig bemonsterde negatieven weinig trainingssignaal bij tripletverlies?
    • Meestal zijn ze verkeerd geëtiketteerd
    • Ze zijn te klein om in het geheugen te passen
    • Ze zijn al ver van het anker verwijderd, dus het verlies en de gradiënt zijn bijna nul
    • Ze zijn altijd gelijk aan de positieve afstand
  2. Wat onderscheidt online mining van offline mining?
    • Online mijnbouw maakt gebruik van internet; offline niet
    • Online mining selecteert in elke minibatch harde voorbeelden binnen elke minibatch
    • Online mining werkt alleen op tekst
    • Online mining vereist geen voorwaartse pass
  3. Wat is een 'semi-hard' negatief zoals gedefinieerd in FaceNet?
    • Een negatief dichter dan het positieve bij het anker
    • Een negatief dat precies gelijk is aan het anker
    • Elk willekeurig gekozen negatief
    • Een negatief verder dan het positieve, maar nog steeds binnen de marge
  4. Welk negatief wordt bij batch-hard mining voor elk anker gekozen?
    • Het dichtstbijzijnde negatief in de batch
    • Het verste negatief in de batch
    • Een willekeurig negatief
    • Het negatieve met de gemiddelde afstand
  5. Waarom verbetert een grotere batchgrootte de resultaten van het gedolven metrische leerproces?
    • Het verkleint de inbeddingsdimensie
    • Het elimineert de noodzaak van een marge
    • Het verwijdert de verliesfunctie
    • Het biedt per stap een rijkere verzameling kandidaat-hard-negatieven
  6. Wat is een bekend risico bij het selecteren van de absoluut moeilijkste negatieven?
    • Ze zijn altijd te gemakkelijk
    • Ze maken de batchmatrix kleiner
    • Het kunnen verkeerd gelabelde of bijna dubbele positieven zijn die de training bederven
    • Ze verwijderen het verloop volledig
  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