اختبار بايزي للتعلم العميق

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. كيف تتعامل الشبكة العصبية البايزية مع أوزانها بشكل مختلف عن الشبكة القياسية؟
   • فهو يعامل كل وزن على أنه توزيع احتمالي وليس قيمة ثابتة واحدة
   • ويستخدم الأوزان الصحيحة بدلا من الكسور العشرية
   • يزيل الأوزان بالكامل
   • يشترك في وزن واحد عبر جميع الطبقات
2. What can a Bayesian approach provide that a single fixed-weight network does not directly represent?
   • A guarantee that every confidence score is calibrated
   • A distribution of predictions that reflects uncertainty about model weights
   • A proof that the model will detect every unfamiliar input
   • A way to remove all noise from the data
3. How can epistemic uncertainty change as relevant, representative training data are added?
   • It is guaranteed to reach zero with any added data
   • It is identical to label noise
   • It may decrease under the chosen model and data assumptions
   • It always increases linearly
4. لماذا هناك حاجة إلى تقديرات تقريبية مثل الاستدلال المتغير أو MCMC؟
   • لأن الشبكات العصبية ليس لها وظيفة خسارة
   • لأن وحدات معالجة الرسومات لا يمكنها القيام بعملية الإضافة
   • لأن الأوزان يجب أن تكون أعدادا صحيحة
   • لأن الخلفية الدقيقة على ملايين الأوزان مستعصية حسابيًا
5. ما الذي يفعله التسرب من مونت كارلو لتقدير عدم اليقين؟
   • يبقي التسرب نشطًا في وقت الاختبار ويقوم بتشغيل الشبكة عدة مرات، باستخدام انتشار المخرجات
   • يوقف التسرب ويتدرب لفترة أطول
   • يزيل كافة الخلايا العصبية بشكل نهائي
   • يستبدل الخسارة بالضوضاء العشوائية
6. الاستدلال المتغير يعيد صياغة التقدير اللاحق على أنه ما نوع المشكلة؟
   • مشكلة في الفرز
   • مشكلة تحسين تقلل من تباعد KL (عبر ELBO)
   • مشكلة أخذ عينات عشوائية خالصة ليس لها هدف
   • مشكلة في تصميم الأجهزة
7. How does Bayes’ rule relate a prior, likelihood, and posterior?
   • The posterior is the prior plus the likelihood, without normalization
   • It is the likelihood divided by the prior without normalization
   • The posterior is proportional to the prior times the likelihood
   • It is the fixed point estimate of the most likely weight vector
8. How does MCMC approximate a Bayesian neural-network posterior?
   • By training a single point estimate with dropout disabled
   • By ranking model outputs with a fixed rule
   • By minimizing an ELBO with a simpler variational family
   • By drawing samples through a Markov chain whose stationary distribution targets the posterior