Kontrastowy quiz edukacyjny

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaki jest główny cel uczenia się kontrastowego?
   • Pociągnij podobne (dodatnie) pary razem i rozsuń różne (ujemne) pary w przestrzeni osadzania
   • Przewiduj dokładne wartości pikseli obrazu
   • Klasyfikuj każde wejście do jednego z ustalonego zestawu etykiet
   • Minimalizuj liczbę parametrów modelu
2. W jaki sposób zazwyczaj tworzy się parę dodatnią w metodzie samonadzorowanego obrazu, takiej jak SimCLR?
   • Dwa różne obrazy tej samej klasy oznaczonej etykietą
   • Obraz i losowo wybrany obraz ze zbioru danych
   • Dwa losowe powiększenia (np. kadrowanie, drgania kolorów) tego samego obrazu
   • Obraz połączony z maską segmentacji
3. Która funkcja straty jest najbardziej powiązana z uczeniem się kontrastowym?
   • Średni błąd kwadratowy
   • InformacjeNCE
   • Entropia krzyżowa po etykietach klas
   • Utrata zawiasów dla maszyn SVM
4. Dlaczego metody takie jak MoCo korzystają z banku pamięci lub kolejki?
   • Do przechowywania etykiet w celu nadzorowanego dostrajania
   • Aby buforować ostateczne prognozy w celu szybszego wnioskowania
   • Aby skompresować model dla urządzeń mobilnych
   • Dostarczanie wielu negatywnych przykładów bez konieczności stosowania ogromnej partii
5. Przed jakim problemem szczególnie chronią BYOL i SimSiam bez użycia wyraźnych negatywów?
   • Nadmierne dopasowanie do etykiet szkoleniowych
   • Eksplodujące gradienty w optymalizatorze
   • Załamanie reprezentacji, w którym wszystkie osadzenia stają się identyczne
   • Zanikająca szybkość uczenia się
6. W jaki sposób CLIP rozszerza kontrastową ideę?
   • Wyrównuje obrazy z ich podpisami tekstowymi we wspólnej przestrzeni do osadzania
   • Kontrastuje dwa rozszerzenia tego samego klipu audio
   • Eliminuje potrzebę stosowania jakiejkolwiek sieci neuronowej
   • Zamiast podobieństwa wykorzystuje uczenie się przez wzmacnianie
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