Karşılaştırmalı Öğrenme Sınavı

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Karşılaştırmalı öğrenmenin temel amacı nedir?
   • Gömme alanında benzer (pozitif) çiftleri bir araya çekin ve farklı (negatif) çiftleri birbirinden uzaklaştırın
   • Bir görüntünün tam piksel değerlerini tahmin edin
   • Her girişi sabit bir etiket kümesinden birine göre sınıflandırın
   • Model parametrelerinin sayısını en aza indirin
2. SimCLR gibi kendi kendini denetleyen bir görüntü yönteminde pozitif bir çift tipik olarak nasıl oluşturulur?
   • Aynı etiketli sınıfın iki farklı görüntüsü
   • Veri kümesinden rastgele seçilen bir görüntü ve bir görüntü
   • Aynı görüntünün iki rastgele büyütmesi (ör. kırpmalar, renk değişimi)
   • Segmentasyon maskesiyle eşleştirilmiş bir görüntü
3. Karşılaştırmalı öğrenmeyle en çok hangi kayıp fonksiyonu ilişkilidir?
   • Ortalama kare hatası
   • BilgiNCE
   • Sınıf etiketleri üzerinde çapraz entropi
   • SVM'ler için menteşe kaybı
4. MoCo gibi yöntemler neden bir bellek bankası veya kuyruğu kullanıyor?
   • Denetimli ince ayar için etiketleri saklamak için
   • Daha hızlı çıkarım için son tahminleri önbelleğe almak
   • Modeli mobil cihazlar için sıkıştırmak için
   • Muazzam bir parti büyüklüğüne ihtiyaç duymadan birçok olumsuz örnek sağlamak
5. BYOL ve SimSiam, açık olumsuzluklar kullanmadan özellikle hangi soruna karşı koruma sağlıyor?
   • Eğitim etiketlerine aşırı uyum
   • Optimize edicide patlayan degradeler
   • Tüm yerleştirmelerin aynı hale geldiği temsil çöküşü
   • Kaybolan öğrenme oranı
6. CLIP karşılaştırmalı fikri nasıl genişletiyor?
   • Paylaşılan bir yerleştirme alanında görüntüleri metin başlıklarıyla hizalar
   • Aynı ses klibinin iki genişletmesini karşılaştırır
   • Herhangi bir sinir ağına olan ihtiyacı ortadan kaldırır
   • Benzerlik yerine takviyeli öğrenmeyi kullanır
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