لکیری پروبنگ اور منجمد فیچر ایویلیوایشن کوئز

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

1. معیاری لکیری تحقیقات میں، تربیت کے دوران کون سے پیرامیٹرز کو اپ ڈیٹ کیا جاتا ہے؟
   • سب سے اوپر صرف نیا شامل کردہ لکیری درجہ بندی
   • پوری ریڑھ کی ہڈی کے علاوہ لکیری پرت
   • صرف ریڑھ کی ہڈی، درجہ بندی کو درست چھوڑ کر
   • سرایت کرنے والی پرت اور حتمی توجہ کا بلاک
2. What does high linear-probe accuracy most directly show?
   • The backbone causally uses the feature for every prediction
   • The labels are decodable by a linear classifier from the frozen features under that dataset and protocol
   • The representation is robust to every distribution shift
   • The probe has identified a human-interpretable mechanism
3. مکمل فائن ٹیوننگ کے مقابلے میں، لکیری پروبنگ بنیادی طور پر پرکشش ہے کیونکہ یہ ہے:
   • ہر کام پر زیادہ درست
   • تقسیم سے بہتر کو عام کرنے کی ضمانت
   • کمپیوٹ اور میموری میں سستا اور فیچر کوالٹی پر کلینر ریڈنگ دیتا ہے۔
   • پہلے سے تربیت یافتہ ماڈل استعمال کرنے کا واحد طریقہ
4. ٹرانسفارمرز کی جانچ کرتے وقت ایک عام تجرباتی تلاش یہ ہے کہ:
   • آخری پرت ہمیشہ بہترین تحقیقات کی درستگی دیتی ہے۔
   • پروببنگ صرف convolutional نیٹ ورکس پر کام کرتی ہے۔
   • پرت کا انتخاب کبھی بھی تحقیقات کے نتائج کو متاثر نہیں کرتا ہے۔
   • انٹرمیڈیٹ پرتیں اکثر منتقلی کے لیے آخری پرت کو پیچھے چھوڑ دیتی ہیں۔
5. بینچ مارکنگ سے ہٹ کر، لکیری تحقیقات کو تشریح میں تیزی سے استعمال کیا جاتا ہے:
   • معلوم کریں کہ آیا سچائی جیسے تصور کو پوشیدہ حالتوں میں انکوڈ کیا گیا ہے۔
   • موبائل کی تعیناتی کے لیے ماڈل کمپریس کریں۔
   • پری ٹریننگ کے دوران آپٹیمائزر کو تبدیل کریں۔
   • نیا تربیتی ڈیٹا خود بخود تیار کریں۔
6. اعلی تحقیقاتی درستگی کی تشریح کرتے وقت ایک اہم طریقہ کار خطرہ یہ ہے کہ:
   • ریڑھ کی ہڈی چپکے سے تربیت کرتی رہتی ہے۔
   • تحقیقات حقیقی تصور کی بجائے جعلی ارتباط کا استحصال کر رہی ہیں۔
   • لکیری تحقیقات زیادہ فٹ نہیں ہوسکتی ہیں۔
   • کراس اینٹروپی نقصان استعمال نہیں کیا جا سکتا
7. To compare two backbone layers with linear probes, what should remain consistent?
   • The feature vectors from each layer
   • The layer being evaluated
   • The task labels, data split and probe-training protocol
   • The activation values themselves
8. Why might feature normalization and learning-rate sweeps be used in a probe evaluation?
   • To update the frozen backbone
   • To add hidden nonlinear layers to the probe
   • To guarantee the concept is causally used
   • To reduce optimization and scale effects that could distort the representation comparison