Тест за вариационни автоенкодери

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Какво прави енкодерът във VAE изход за даден вход?
   • Параметрите на вероятностно разпределение, като средна стойност и дисперсия
   • Една единствена фиксирана точка в латентното пространство
   • Етикет на класа
   • Реконструирано копие на входа
2. Каква е целта на трика за препараметризация?
   • За да направите декодера по-голям
   • За да позволи на градиентите да протичат през стъпката на произволно вземане на проби
   • За да премахнете нуждата от декодер
   • За да компресирате латентното пространство допълнително
3. In the standard Gaussian VAE formulation, what does the KL term encourage?
   • The decoder to predict future input tokens
   • The encoder to remove all randomness
   • The approximate posterior to stay close to the chosen prior, commonly a standard normal
   • Every latent variable to have the same observed value
4. Целевата функция, която VAE максимизират по време на обучение, се нарича:
   • Таван на кръстосаната ентропия
   • Съперническа загуба
   • Средно квадратен марж
   • Долна граница на доказателства (ELBO)
5. In a Gaussian VAE, what enables generation of a new sample?
   • Sample a latent from the prior and decode it with the learned decoder
   • Copy a training image directly without a model
   • Run the encoder backward with no latent sampling
   • Choose a random class label without decoding
6. В модел на латентна дифузия, като стабилна дифузия, каква роля играе VAE?
   • Той обозначава изображенията за обучение
   • Той компресира изображенията до латентно пространство, където тече дифузия, след което декодира обратно до пиксели
   • Той замества енкодера на текст
   • Той планира нивата на шума
7. In variational inference, what does the ELBO provide for the marginal log likelihood log p(x)?
   • An exact value of log p(x) for every model
   • A guarantee that each generated sample is realistic
   • A tractable lower bound that can be maximized instead of directly maximizing log p(x)
   • A posterior distribution that requires no inference model
8. What distribution does a VAE decoder model given a latent vector?
   • The encoder’s approximate posterior q(z|x)
   • The training set’s class-frequency histogram only
   • The optimizer’s learning-rate schedule
   • The likelihood of an observation conditioned on that latent, p(x|z)