Вікторина, пов’язана з посібником · Середній Рівень
Висновок природної мови та вікторина
Дізнайтеся про втягування, протиріччя та нейтральні мітки NLI, набори даних еталонного тесту, входи трансформатора та обмеження перевірки доказів.
Питання 1 з 8
Які три стандартні мітки існують у логічному висновку природної мови?
Перегляньте кожне запитання8 запитання
Відповіді та пояснення з’являються під час виконання тесту.
- Які три стандартні мітки існують у логічному висновку природної мови?
- Залучення, протиріччя, нейтральність
- Позитивний, негативний, нейтральний
- Правда, брехня, невідомість
- Підмет, дієслово, об’єкт
- У NLI, що означає «втягнення»?
- Ці два речення не пов’язані між собою
- Гіпотеза має бути істинною з урахуванням передумови
- Гіпотеза має бути хибною з урахуванням передумови
- Речення граматично ідентичні
- Яка гіпотеза є суперечливою, враховуючи передумову «Чоловік грає на гітарі на сцені»?
- Людина виконує музику
- Натовп любить пісню
- Сцена порожня
- Музикант тримає інструмент
- What is an annotation artifact in an NLI dataset?
- A model that reasons perfectly with very little data
- A dataset where every annotator agrees
- A premise that is always longer than its hypothesis
- A spurious cue that lets a model guess labels without reasoning about the premise-hypothesis relation
- Які набори даних широко використовуються для навчання та оцінки NLI?
- SNLI і MultiNLI
- ImageNet і CIFAR
- МНІСТ та СВХН
- WikiText і Penn Treebank
- How can NLI support a check of a generated claim against source evidence?
- Measure the generated claim’s length
- Classify whether the evidence entails, contradicts, or leaves the claim neutral
- Count unique words only
- Translate the claim into another language
- In NLI, what does the neutral label mean?
- The hypothesis is guaranteed true
- The hypothesis is guaranteed false
- The premise neither entails nor contradicts the hypothesis
- The two sentences are grammatically identical
- How does a common transformer NLI classifier present a sentence pair to the model?
- Encode only the hypothesis and discard the premise
- Convert both sentences into audio first
- Train a separate model for every word
- Concatenate the premise and hypothesis with a separator token