Kvíz spojený s průvodcem · Těžko úroveň
Kvíz normalizace toků
Procvičte si transformace invertního toku, hustoty změn proměnných a jakobiánské korekce, včetně limitů detekce anomálií na základě pravděpodobnosti.
Otázka 1 z 8
Jakou matematickou vlastnost musí mít každá transformace v normalizačním toku?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jakou matematickou vlastnost musí mít každá transformace v normalizačním toku?
- Musí to být náhodné, neinvertovatelné mapování
- Musí být invertibilní (bijektivní) a diferencovatelný
- V každém kroku musí snížit rozměrnost
- Musí to být diskrétní vyhledávací tabulka
- Který vzorec umožňuje normalizačním tokům vypočítat přesné pravděpodobnosti?
- Funkce softmax
- Bellmanova rovnice
- Bayesovo pravidlo platí pro logity
- Vzorec pro změnu proměnných pomocí jakobiánského determinantu
- Proč tokové architektury jako RealNVP a Glow používají spojovací vrstvy?
- Aby byl jakobián trojúhelníkový, aby jeho determinant byl levný na výpočet
- Aby byl model neinvertovatelný
- Aby se odstranila potřeba základní distribuce
- Převést model na GAN
- 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
- 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
- Která moderní technika používaná v systémech, jako je Stable Diffusion 3, vyrostla z nápadů kontinuálního toku?
- Zpětné šíření v čase
- Přizpůsobení toku (naučení se rychlostnímu poli, které přenáší šum do dat)
- Tokenizace
- Hledání paprskem
- 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
- 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