آن لائن اور سخت منفی کان کنی کوئز

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

1. زیادہ تر تصادفی طور پر نمونے لینے والے منفی ٹرپلٹ نقصان میں بہت کم تربیتی سگنل کیوں فراہم کرتے ہیں؟
   • وہ عام طور پر غلط لیبل لگائے جاتے ہیں۔
   • وہ میموری میں فٹ ہونے کے لئے بہت چھوٹے ہیں۔
   • وہ پہلے ہی لنگر سے بہت دور ہیں، اس لیے نقصان اور میلان صفر کے قریب ہے۔
   • وہ ہمیشہ مثبت فاصلے کے برابر ہوتے ہیں۔
2. آن لائن کان کنی کو آف لائن کان کنی سے کیا فرق ہے؟
   • آن لائن کان کنی انٹرنیٹ کا استعمال کرتی ہے۔ آف لائن نہیں کرتا
   • آن لائن کان کنی ہر منی بیچ میں مشکل مثالوں کا انتخاب کرتی ہے۔
   • آن لائن کان کنی صرف متن پر کام کرتی ہے۔
   • آن لائن کان کنی کے لیے فارورڈ پاس کی ضرورت نہیں ہے۔
3. FaceNet میں بیان کردہ 'سیمی ہارڈ' منفی کیا ہے؟
   • اینکر کے مثبت سے زیادہ قریب منفی
   • ایک منفی جو بالکل اینکر کے برابر ہے۔
   • کوئی بھی تصادفی طور پر منتخب کردہ منفی
   • مثبت سے زیادہ منفی لیکن پھر بھی مارجن کے اندر
4. بیچ ہارڈ مائننگ میں، ہر اینکر کے لیے کون سا منفی منتخب کیا جاتا ہے؟
   • بیچ میں قریب ترین منفی
   • بیچ میں سب سے دور منفی
   • ایک بے ترتیب منفی
   • درمیانی فاصلے کے ساتھ منفی
5. کیوں بڑے بیچ سائز کان کنی میٹرک سیکھنے کے نتائج کو بہتر بناتے ہیں؟
   • یہ سرایت کے طول و عرض کو کم کرتا ہے۔
   • یہ مارجن کی ضرورت کو ختم کرتا ہے۔
   • یہ نقصان کی تقریب کو ہٹاتا ہے
   • یہ فی قدم امیدواروں کے سخت منفیوں کا ایک امیر پول فراہم کرتا ہے۔
6. قطعی مشکل ترین منفی کو منتخب کرنے کا معروف خطرہ کیا ہے؟
   • وہ ہمیشہ بہت آسان ہوتے ہیں۔
   • وہ بیچ میٹرکس کو چھوٹا بناتے ہیں۔
   • ان پر غلط لیبل لگا ہوا ہو سکتا ہے یا ان کے قریب نقلی مثبتات جو تربیت کو خراب کرتے ہیں۔
   • وہ میلان کو مکمل طور پر ہٹا دیتے ہیں۔
7. With positive distance 0.4 and margin 0.2, which negative distance is semi-hard under the described rule?
   • 0.5
   • 0.2
   • 0.8
   • 1.1
8. Why does ordinary online mining within one minibatch not necessarily find the hardest negative in the entire dataset?
   • Every batch contains the complete dataset
   • Its available candidate pool is the examples in that batch
   • Distance calculations prove no other examples exist
   • The model discards all negative labels