Викторина, связанная с руководством · Средний Уровень

Викторина для самостоятельного обучения

Просмотрите целевые объекты, полученные из данных, маскирование BERT, пары SimCLR, потребности в аннотациях, адаптацию, задачи следующего токена, проекционные головы и целевые объекты поврежденных токенов.

Связанные направляющие путиСамостоятельное обучение
Вопрос 1 из 8

Where does the supervision signal in the described self-supervised examples come from?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Where does the supervision signal in the described self-supervised examples come from?
    • A requirement for no training objective
    • Only new human semantic labels for every pretraining example
    • A rule that examples contain no useful information
    • The data and defined transformations of it
  2. Which input positions contribute prediction targets to the original BERT masked-language-model loss?
    • The positions selected for the MLM prediction task
    • Every position in the entire input regardless of selection
    • Only the first position of each new sentence
    • Only positions that appear after the final sentence boundary
  3. В контрастном обучении, таком как SimCLR, «положительная пара» — это:
    • Два совершенно не связанных друг с другом изображения
    • Пара рукописных этикеток
    • Два дополненных вида одного и того же изображения, которые должны быть близки по пространству встраивания.
    • Две копии набора данных
  4. What annotation requirement can self-supervised pretraining reduce in the described examples?
    • The need for any usable input data
    • Separate task-specific semantic labels for every pretraining example
    • All computational cost by definition
    • The need to assess downstream performance
  5. How can a representation learned through self-supervision be used for a later task?
    • By evaluating a task head or adapting the representation through fine-tuning
    • By assuming every target task requires no labels or validation
    • By discarding all representations before making predictions
    • By treating the pretraining loss as proof of every application's accuracy
  6. Чем задача самоконтроля модели в стиле GPT отличается от задачи BERT?
    • Он вообще не использует текст
    • Требуются ручные метки для каждого слова.
    • Он предсказывает только первое слово документа.
    • Он прогнозирует следующий токен, а не заполняет замаскированные токены.
  7. In the original SimCLR framework, which component is discarded for the reported downstream representation use?
    • The encoder representation itself
    • The contrastive projection head
    • All training inputs before pretraining begins
    • The positive-pair source-image relationship
  8. When original BERT pretraining replaces a selected input position with a random token, what remains its loss target?
    • The newly inserted random token
    • The next sentence's first token in every case
    • The original token before replacement
    • No target, because every random replacement is omitted from training