Quiz dotyczący odzyskiwania gęstego przejścia

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. W jaki sposób funkcja Dense Passage Retrieval decyduje, które fragmenty pasują do zapytania?
   • Porównywanie gęstych reprezentacji wektorowych zapytań i fragmentów według podobieństwa
   • Liczenie, ile słów zapytania pojawia się w każdym dokumencie
   • Tłumaczenie zapytania na SQL przed wyszukiwaniem
   • Ranking dokumentów wyłącznie według daty ich publikacji
2. DPR wykorzystuje architekturę „bi-enkodera”. Co to oznacza?
   • Koduje tekst dwukrotnie i uśrednia wyniki
   • Działa tylko w przypadku dokumentów dwujęzycznych
   • Koduje jednocześnie znaki i słowa
   • Wykorzystuje dwa oddzielne kodery, jeden do zapytań i jeden do fragmentów
3. Dlaczego wektory przejścia można obliczyć z wyprzedzeniem w DPR?
   • Ponieważ fragmenty raz napisane nigdy się nie zmieniają
   • Ponieważ koder zapytań jest wyłączony w czasie wyszukiwania
   • Ponieważ każdy fragment jest kodowany niezależnie od zapytania
   • Ponieważ fragmenty są przechowywane wyłącznie w postaci nieprzetworzonego tekstu
4. Jaka sztuczka szkoleniowa pozwala DPR tanio generować wiele negatywnych przykładów?
   • Losowe przerzucanie etykiet
   • Negatywy z partii, przy użyciu innych pasaży z tej samej partii
   • Usunięcie połowy neuronów
   • Ręczne oznaczanie każdego błędnego fragmentu
5. For what vocabulary mismatch can learned DPR representations be useful compared with lexical matching alone?
   • The passage is unrelated but repeats the query's terms
   • Every query contains only an exact serial number
   • The encoder is guaranteed to retrieve the right answer for all inputs
   • A relevant passage expresses a query's idea using different words
6. Jakie narzędzie jest powszechnie używane do szybkiego i dużej skali wyszukiwania najbliższego sąsiada DPR?
   • Przybliżony indeks najbliższego sąsiada, taki jak FAISS
   • Sortowanie w arkuszu kalkulacyjnym
   • Silnik wyrażeń regularnych
   • Łączenie relacyjnej bazy danych
7. Why can BM25-retrieved nonanswer passages be useful hard negatives when training DPR?
   • They guarantee that every retrieved passage is irrelevant
   • Their lexical overlap can make them challenging distractors that the retriever must distinguish from the answer passage
   • They remove the need for a positive answer passage
   • They force the passage encoder to count words without learning
8. After changing DPR's passage encoder, what should happen to a stored passage-vector index?
   • Keep the old embeddings because encoder weights cannot affect vectors
   • Rename the index without recalculating any representation
   • Recompute the passage embeddings with the intended compatible encoder and update the index
   • Disable the query encoder and search raw filenames instead