引導式測驗 · 中等 等級

偽標籤和自我訓練測驗

測試師生循環、信賴閾值、確認偏誤、弱到強訓練和偽標籤限制。

相關引導路徑偽標籤和自我訓練
問題 1 的 8

基本的自我訓練迴圈如何使用未標記的範例?

預覽每個問題8 問題

當您參加測驗時,就會出現答案和解釋。

  1. 基本的自我訓練迴圈如何使用未標記的範例?
    • 學生僅標記原始標記集
    • 教師預測標籤,選定的預測加入真實標籤來訓練學生
    • 未標記的範例替換驗證集
    • 老師從世界上刪除所有不確定的樣本
  2. 為什麼要對偽標籤套用信心閾值?
    • 強制將每個未標記的項目歸為一個類
    • 自動使所有課程的班次相同
    • 避免對不確定的預測進行不加區別的訓練
    • 消除驗證的需要
  3. 什麼是偽標籤中的確認偏誤?
    • 模型忽略所有未標記的輸入
    • 標籤自動從測試集中洩漏
    • 教師和學生有相同的架構
    • 當模型使用自己的錯誤標籤進行訓練時,早期的錯誤可能會被強化
  4. 在 FixMatch 中,偽標籤是從哪裡來的?
    • 弱增強視圖,如果置信度高,它會監督強增強視圖
    • 強觀點的標籤以任何置信度監督弱觀點
    • 複製了不相關圖像的標籤
    • 驗證標籤是在訓練期間添加的
  5. Noisy Student 中的學生雜訊概念是什麼?
    • 刪除學生的所有增強
    • 在偽標籤後用諸如輟學或增強等噪音來訓練學生
    • 僅向真實標籤添加噪聲
    • 使用較小的學生並且沒有老師
  6. 為什麼類別平衡在偽標籤中有用?
    • 每個閾值都會產生相同的類別計數
    • 它使標籤獨立於老師
    • 高置信度預測可能會過度代表某些類別
    • 它消除了對真實標籤的需要
  7. 師生設定中通常訓練的第一個模型是什麼?
    • 僅測試集
    • 來自不存在的老師的偽標籤
    • 所有輸入的隨機類別分配
    • 可用的標記範例
  8. 使用偽標籤擴展醫學影像資料集之前應該檢查什麼?
    • 置信度預測和驗證是否適合該任務
    • 是否可以將所有圖像自動視為專家標籤
    • 模型是否避免所有人工審查
    • 測試集是否可以成為訓練數據