প্রবাহ কুইজ স্বাভাবিককরণ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. একটি স্বাভাবিক প্রবাহের প্রতিটি রূপান্তরের কোন গাণিতিক বৈশিষ্ট্য থাকতে হবে?
   • এটি অবশ্যই একটি র্যান্ডম, অ-ইনভার্টেবল ম্যাপিং হতে হবে
   • এটি অবশ্যই ইনভার্টেবল (দ্বিমুখী) এবং পার্থক্যযোগ্য হতে হবে
   • এটি প্রতিটি ধাপে মাত্রিকতা কমাতে হবে
   • এটি একটি পৃথক লুকআপ টেবিল হতে হবে
2. কোন সূত্রের সাহায্যে প্রবাহ স্বাভাবিক করার সঠিক সম্ভাবনা গণনা করা যায়?
   • সফটম্যাক্স ফাংশন
   • বেলম্যান সমীকরণ
   • বেইসের নিয়ম লগিটগুলিতে প্রযোজ্য৷
   • জ্যাকোবিয়ান নির্ধারক ব্যবহার করে পরিবর্তনশীল সূত্র
3. কেন রিয়েলএনভিপি এবং গ্লো এর মতো ফ্লো আর্কিটেকচারগুলি কাপলিং স্তর ব্যবহার করে?
   • জ্যাকোবিয়ানকে ত্রিভুজাকার করতে যাতে এর নির্ধারক গণনা করা সস্তা
   • মডেল অ-ইনভার্টেবল করতে
   • একটি বেস বন্টন জন্য প্রয়োজন অপসারণ
   • মডেলটিকে একটি GAN এ রূপান্তর করতে
4. What does a tractable normalizing flow provide that an ordinary GAN generator generally does not?
   • A guarantee of perfect anomaly detection
   • A guarantee of faster sampling than every GAN
   • An explicitly evaluable model density through change of variables
   • A non-invertible mapping with no base distribution
5. How should a team use normalizing-flow likelihoods for anomaly detection?
   • Assume every high-likelihood input is familiar
   • Treat density as the probability mass of a single point
   • Skip checking real anomaly labels
   • Validate them as a signal against relevant in-distribution and anomalous examples
6. স্ট্যাবল ডিফিউশন 3-এর মতো সিস্টেমে ব্যবহৃত কোন আধুনিক কৌশলটি ক্রমাগত প্রবাহের ধারণা থেকে বেড়েছে?
   • সময়ের মাধ্যমে ব্যাকপ্রোপগেশন
   • ফ্লো ম্যাচিং (একটি বেগের ক্ষেত্র শেখা যা ডেটাতে শব্দ পরিবহন করে)
   • টোকেনাইজেশন
   • মরীচি অনুসন্ধান
7. A one-dimensional flow inverse is z = x / 2. What log-Jacobian term appears in log p(x)?
   • log(2)
   • The parameter count of the network
   • log(1/2)
   • No term because the inverse is linear
8. Why must a normalizing flow account for stretching or shrinking volume?
   • A transformed region’s density must reflect the changed volume
   • The transformation must lose half its dimensions
   • Every output point must have probability mass one
   • The base distribution must be discarded after training