แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ

แบบทดสอบการเรียนรู้ที่ตรงกันข้าม

ฝึกคู่ที่เป็นบวกเชิงเปรียบเทียบ การฝังการล่มสลาย และความคล้ายคลึงกันในระดับอุณหภูมิ รวมถึงความแตกต่างของคิว MoCo จากแคชการอนุมาน

เส้นทางแนะนำที่เกี่ยวข้องการเรียนรู้ที่ตรงกันข้าม
คำถาม 1 ของ 8

วัตถุประสงค์หลักของการเรียนรู้แบบเปรียบเทียบคืออะไร?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. วัตถุประสงค์หลักของการเรียนรู้แบบเปรียบเทียบคืออะไร?
    • ดึงคู่ที่คล้ายกัน (บวก) เข้าด้วยกัน และดันคู่ที่ไม่เหมือนกัน (ลบ) ออกจากกันในพื้นที่ฝัง
    • ทำนายค่าพิกเซลที่แน่นอนของรูปภาพ
    • จำแนกทุกอินพุตให้เป็นชุดป้ายกำกับคงที่
    • ลดจำนวนพารามิเตอร์โมเดลให้เหลือน้อยที่สุด
  2. ในวิธีการตรวจสอบภาพด้วยตนเอง เช่น SimCLR โดยทั่วไปแล้วคู่ที่เป็นบวกจะถูกสร้างขึ้นอย่างไร
    • รูปภาพสองรูปที่แตกต่างกันของคลาสที่มีป้ายกำกับเดียวกัน
    • รูปภาพและรูปภาพที่เลือกแบบสุ่มจากชุดข้อมูล
    • การเพิ่มแบบสุ่มสองครั้ง (เช่น การครอบตัด การกระวนกระวายใจของสี) ของรูปภาพเดียวกัน
    • รูปภาพจับคู่กับมาสก์การแบ่งส่วน
  3. ฟังก์ชั่นการสูญเสียใดที่เกี่ยวข้องกับการเรียนรู้แบบเปรียบเทียบมากที่สุด?
    • ค่าคลาดเคลื่อนกำลังสองเฉลี่ย
    • อินโฟเอ็นซ์
    • ข้ามเอนโทรปีเหนือป้ายกำกับคลาส
    • การสูญเสียบานพับสำหรับ SVM
  4. เหตุใดวิธีการเช่น MoCo จึงใช้ธนาคารหน่วยความจำหรือคิว
    • เพื่อจัดเก็บฉลากสำหรับการปรับแต่งแบบละเอียดภายใต้การดูแล
    • เพื่อแคชการคาดการณ์ขั้นสุดท้ายเพื่อการอนุมานที่รวดเร็วยิ่งขึ้น
    • เพื่อบีบอัดโมเดลให้กับอุปกรณ์มือถือ
    • เพื่อจัดหาตัวอย่างเชิงลบจำนวนมากโดยไม่จำเป็นต้องมีขนาดแบทช์มหาศาล
  5. BYOL และ SimSiam ป้องกันปัญหาอะไรโดยเฉพาะโดยไม่ใช้คำเชิงลบที่ชัดเจน?
    • เหมาะสมกับฉลากการฝึกอบรมมากเกินไป
    • การไล่ระดับสีแบบระเบิดในเครื่องมือเพิ่มประสิทธิภาพ
    • การเป็นตัวแทนยุบลง โดยที่การฝังทั้งหมดจะเหมือนกัน
    • อัตราการเรียนรู้ที่หายไป
  6. CLIP ขยายแนวคิดที่ขัดแย้งกันอย่างไร
    • จัดแนวรูปภาพพร้อมคำบรรยายในพื้นที่ฝังที่ใช้ร่วมกัน
    • มันตัดกันสองส่วนเสริมของคลิปเสียงเดียวกัน
    • โดยจะขจัดความจำเป็นในการใช้โครงข่ายประสาทเทียมใดๆ
    • ใช้การเรียนรู้แบบเสริมกำลังแทนความคล้ายคลึงกัน
  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