گھنے گزرنے کی بازیافت کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. Dense Passage Retrieval یہ کیسے طے کرتا ہے کہ کون سی اقتباسات استفسار سے ملتی ہیں؟
   • مماثلت کے ذریعہ سوالات اور حصئوں کی گھنے ویکٹر نمائندگی کا موازنہ کرنا
   • شمار کرنا کہ ہر دستاویز میں کتنے سوالیہ الفاظ ظاہر ہوتے ہیں۔
   • تلاش کرنے سے پہلے سوال کا SQL میں ترجمہ کرنا
   • دستاویزات کی درجہ بندی خالصتاً اس لحاظ سے کہ انہیں حال ہی میں شائع کیا گیا تھا۔
2. DPR ایک 'bi-encoder' فن تعمیر کا استعمال کرتا ہے۔ اس کا کیا مطلب ہے؟
   • یہ متن کو دو بار انکوڈ کرتا ہے اور نتائج کو اوسط کرتا ہے۔
   • یہ صرف دو لسانی دستاویزات پر کام کرتا ہے۔
   • یہ حروف اور الفاظ دونوں کو بیک وقت انکوڈ کرتا ہے۔
   • یہ دو الگ الگ انکوڈرز کا استعمال کرتا ہے، ایک سوالات کے لیے اور ایک حصئوں کے لیے
3. ڈی پی آر میں گزرنے کے ویکٹر کی پہلے سے گنتی کیوں کی جا سکتی ہے؟
   • کیونکہ اقتباسات ایک بار لکھنے کے بعد تبدیل نہیں ہوتے
   • کیونکہ تلاش کے وقت استفسار کا انکوڈر غیر فعال ہوتا ہے۔
   • کیونکہ ہر حوالے کو کسی بھی سوال سے آزادانہ طور پر انکوڈ کیا گیا ہے۔
   • کیونکہ حوالے صرف خام متن کے طور پر محفوظ کیے جاتے ہیں۔
4. کونسی تربیتی چال ڈی پی آر کو سستی میں بہت سی منفی مثالیں پیدا کرنے دیتی ہے؟
   • بے ترتیب لیبل پلٹنا
   • بیچ میں منفی، اسی بیچ میں دیگر اقتباسات کا استعمال کرتے ہوئے
   • آدھے نیوران کو چھوڑنا
   • ہر غلط راستے کو دستی طور پر لیبل لگانا
5. For what vocabulary mismatch can learned DPR representations be useful compared with lexical matching alone?
   • The passage is unrelated but repeats the query's terms
   • Every query contains only an exact serial number
   • The encoder is guaranteed to retrieve the right answer for all inputs
   • A relevant passage expresses a query's idea using different words
6. DPR کے قریبی پڑوسی کی تلاش کو پیمانے پر تیز تر بنانے کے لیے عام طور پر کون سا ٹول استعمال کیا جاتا ہے؟
   • قریب ترین پڑوسی انڈیکس جیسے FAISS
   • اسپریڈشیٹ کی ترتیب
   • ایک ریگولر ایکسپریشن انجن
   • ایک رشتہ دار ڈیٹا بیس میں شامل ہونا
7. Why can BM25-retrieved nonanswer passages be useful hard negatives when training DPR?
   • They guarantee that every retrieved passage is irrelevant
   • Their lexical overlap can make them challenging distractors that the retriever must distinguish from the answer passage
   • They remove the need for a positive answer passage
   • They force the passage encoder to count words without learning
8. After changing DPR's passage encoder, what should happen to a stored passage-vector index?
   • Keep the old embeddings because encoder weights cannot affect vectors
   • Rename the index without recalculating any representation
   • Recompute the passage embeddings with the intended compatible encoder and update the index
   • Disable the query encoder and search raw filenames instead