In the Siamese network, the main goal of triplet loss is to

Đáp án đúng: "Ensure the anchor is closer to the positive than to the negative by a margin". Mạng Siamese dùng chung một bộ mã hoá để biến mỗi đầu vào thành vectơ nhúng, và triplet loss huấn luyện trên bộ ba: anchor (mẫu gốc), positive (mẫu cùng loại) và negative (mẫu khác loại); hàm mất mát bằng max(0, d(anchor, positive) − d(anchor, negative) + α), chỉ bằng 0 khi khoảng cách từ anchor tới positive nhỏ hơn khoảng cách tới negative ít nhất một lề α. Nhờ đó không gian nhúng xếp các mẫu giống nhau lại gần nhau, dùng được cho nhận diện khuôn mặt hay tìm câu hỏi trùng nghĩa. "Classify images into discrete categories" là mục tiêu của hàm cross-entropy trên tầng softmax; triplet loss học độ tương đồng nên xử lý được cả lớp chưa thấy khi huấn luyện. "Reduce model overfitting through dropout" là việc của dropout, một kỹ thuật điều chuẩn độc lập với hàm mất mát. "Increase the dimensionality of embeddings" sai vì số chiều nhúng do kiến trúc quy định trước, triplet loss chỉ sắp xếp lại vị trí các vectơ trong không gian đó.