Контрастная обучающая викторина

Ответы и пояснения появляются по мере прохождения теста.

1. Какова основная цель контрастивного обучения?
   • Соберите похожие (положительные) пары вместе и раздвиньте разнородные (отрицательные) пары во вложенном пространстве.
   • Прогнозирование точных значений пикселей изображения
   • Классифицируйте каждый вход в одну из фиксированного набора меток.
   • Минимизируйте количество параметров модели
2. Как обычно создается положительная пара в методе изображений с самоконтролем, таком как SimCLR?
   • Два разных изображения одного и того же помеченного класса
   • Изображение и случайно выбранное изображение из набора данных.
   • Два случайных увеличения (например, кадрирование, цветовое дрожание) одного и того же изображения.
   • Изображение в сочетании с маской сегментации
3. Какая функция потерь больше всего связана с контрастным обучением?
   • Среднеквадратическая ошибка
   • ИнфоNCE
   • Перекрестная энтропия по меткам классов
   • Потеря шарнира для SVM
4. Почему такие методы, как MoCo, используют банк памяти или очередь?
   • Для хранения меток для контролируемой точной настройки
   • Кэшировать окончательные прогнозы для более быстрого вывода
   • Сжатие модели для мобильных устройств
   • Чтобы предоставить множество отрицательных примеров без необходимости огромного размера партии.
5. От какой проблемы BYOL и SimSiam специально защищаются, не используя явные отрицания?
   • Подгонка к тренировочным меткам
   • Взрыв градиентов в оптимизаторе
   • Коллапс представления, при котором все вложения становятся идентичными
   • Исчезающая скорость обучения
6. Как CLIP расширяет идею контраста?
   • Он выравнивает изображения с их текстовыми подписями в общем пространстве для встраивания.
   • Он противопоставляет два дополнения одного и того же аудиоклипа.
   • Это устраняет необходимость в какой-либо нейронной сети.
   • Он использует обучение с подкреплением вместо сходства.
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