Quiz dotyczący górnictwa online i twardy

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Dlaczego większość losowo wybranych negatywów zapewnia niewielki sygnał treningowy w przypadku utraty trojaczków?
   • Zwykle są błędnie oznakowane
   • Są zbyt małe, aby zmieścić się w pamięci
   • Są już daleko od kotwicy, więc straty i gradient są bliskie zeru
   • Zawsze są równe odległości dodatniej
2. Co odróżnia eksplorację online od eksploracji offline?
   • Wyszukiwanie online korzysta z Internetu; offline nie
   • Wydobywanie online na bieżąco wybiera twarde przykłady z każdej minipartii
   • Eksploracja online działa tylko na tekście
   • Wydobywanie online nie wymaga przekazywania dalej
3. Co to jest „półtwardy” negatyw w rozumieniu FaceNet?
   • Negatyw bliżej kotwicy niż pozytyw
   • Negatyw, który jest dokładnie równy kotwicy
   • Dowolny losowo wybrany negatyw
   • Negatyw dalej niż pozytyw, ale wciąż w granicach marginesu
4. W przypadku górnictwa wsadowego, który negatyw jest wybierany dla każdej kotwicy?
   • Najbliższy negatyw w partii
   • Najdalszy negatyw w partii
   • Przypadkowy negatyw
   • Ujemny ze średnią odległością
5. Dlaczego większy rozmiar partii zwykle poprawia wyniki uczenia się wydobywanych metryk?
   • Zmniejsza wymiar osadzania
   • Eliminuje to potrzebę marginesu
   • Usuwa funkcję straty
   • Zapewnia bogatszą pulę potencjalnych twardych negatywów na krok
6. Jakie jest znane ryzyko wyboru absolutnie najtrudniejszych negatywów?
   • Zawsze są za łatwe
   • Sprawiają, że macierz wsadowa jest mniejsza
   • Mogą to być błędnie oznakowane lub prawie zduplikowane pozytywne wyniki, które zakłócają szkolenie
   • Całkowicie usuwają gradient
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