Тест, свързан с ръководство · трудно Ниво

Тест за енергийни модели

Прилагайте базирани на енергия вероятности, функции на разделяне и градиенти на оценка, включително как относителните енергии определят нормализираните съотношения на разпределение.

Свързани ръководни пътекиМодели, базирани на енергия
Въпрос 1 на 8

В модел, базиран на енергия, как енергията е свързана с вероятността за точка от данни?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. В модел, базиран на енергия, как енергията е свързана с вероятността за точка от данни?
    • Високата енергия означава висока вероятност
    • Ниската енергия означава висока вероятност (p(x) е пропорционално на exp(-E(x)))
    • Енергията и вероятността не са свързани
    • Вероятността се равнява директно на енергията
  2. Какво затруднява обучението на базирани на енергия модели?
    • Енергийната функция не може да бъде невронна мрежа
    • Те изискват само етикетирани данни
    • Те не могат да представят изображения
    • Функцията за разделяне Z (нормализатор за всички входове) обикновено не може да се изчисли
  3. Кой метод за вземане на проби обикновено се използва за вземане на проби от EBM?
    • Динамика на Langevin (базиран на градиент MCMC)
    • Търсене по лъч
    • Бързо сортиране
    • Едно подаване напред
  4. Защо методи като съвпадение на резултати могат да избегнат изчисляването на функцията за разделяне Z?
    • Тъй като Z винаги е равно на 1
    • Защото пренебрегват енергийната функция
    • Тъй като градиентът на log p(x) е -градиент на E(x), а Z (константа в x) отпада при диференциране
    • Тъй като те работят само с дискретни данни
  5. Кой от тях е класически енергиен модел?
    • Трансформаторът
    • Дървото на решенията
    • Алгоритъмът на k-средните
    • Мрежата на Хопфийлд
  6. For a differentiable EBM density with Z constant in x, how does its score relate to energy?
    • The score equals the partition function itself
    • The score equals the negative input gradient of energy
    • The score ignores the learned energy entirely
    • The score is always the positive energy gradient
  7. An EBM adds the same constant c to every E(x). What happens to normalized probabilities?
    • Every probability increases by c
    • All inputs become equally probable
    • They remain unchanged after the partition function is adjusted
    • The normalizer must be set to zero
  8. For two configurations with E(a) lower than E(b), what follows under the same normalized Gibbs model?
    • Configuration a has greater probability than b
    • Configuration b has greater probability because its energy is higher
    • Both probabilities must be exactly one
    • The comparison requires different partition functions for each point