Kvíz spojený s průvodcem · Těžko úroveň

Kvíz o modelech založených na energii

Aplikujte pravděpodobnosti založené na energii, rozdělovací funkce a gradienty skóre, včetně toho, jak relativní energie určují normalizované distribuční poměry.

Související vodicí cestyEnergeticky založené modely
Otázka 1 z 8

Jak v modelu založeném na energii souvisí energie s pravděpodobností datového bodu?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jak v modelu založeném na energii souvisí energie s pravděpodobností datového bodu?
    • Vysoká energie znamená vysokou pravděpodobnost
    • Nízká energie znamená vysokou pravděpodobnost (p(x) je úměrné exp(-E(x)))
    • Energie a pravděpodobnost spolu nesouvisí
    • Pravděpodobnost se přímo rovná energii
  2. Co ztěžuje trénink modelů založených na energii?
    • Energetická funkce nemůže být neuronová síť
    • Vyžadují pouze označené údaje
    • Nemohou představovat obrázky
    • Rozdělení funkce Z (normalizátor přes všechny vstupy) je obvykle neřešitelné pro výpočet
  3. Která metoda odběru vzorků se běžně používá k odběru vzorků z EBM?
    • Langevinova dynamika (MCMC založená na gradientu)
    • Hledání paprskem
    • Rychlé řazení
    • Jediná přihrávka vpřed
  4. Proč se metody jako porovnávání skóre mohou vyhnout výpočtu funkce rozdělení Z?
    • Protože Z se vždy rovná 1
    • Protože ignorují energetickou funkci
    • Protože gradient log p(x) je -gradient E(x) a Z (konstanta v x) při derivování vypadne
    • Protože fungují pouze na diskrétních datech
  5. Který z nich je klasický energetický model?
    • Transformer
    • Rozhodovací strom
    • Algoritmus k-means
    • Síť Hopfield
  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