Bayesianisches Deep-Learning-Quiz

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

1. Wie behandelt ein bayesianisches neuronales Netzwerk seine Gewichte anders als ein Standardnetzwerk?
   • Es behandelt jedes Gewicht als Wahrscheinlichkeitsverteilung und nicht als einen einzelnen festen Wert
   • Es verwendet Ganzzahlgewichte anstelle von Dezimalzahlen
   • Es entfernt Gewichte vollständig
   • Es hat über alle Schichten hinweg ein gleiches Gewicht
2. What can a Bayesian approach provide that a single fixed-weight network does not directly represent?
   • A guarantee that every confidence score is calibrated
   • A distribution of predictions that reflects uncertainty about model weights
   • A proof that the model will detect every unfamiliar input
   • A way to remove all noise from the data
3. How can epistemic uncertainty change as relevant, representative training data are added?
   • It is guaranteed to reach zero with any added data
   • It is identical to label noise
   • It may decrease under the chosen model and data assumptions
   • It always increases linearly
4. Warum werden Näherungen wie Variationsinferenz oder MCMC benötigt?
   • Denn neuronale Netze haben keine Verlustfunktion
   • Weil GPUs keine Addition leisten können
   • Weil Gewichte ganze Zahlen sein müssen
   • Weil der genaue Seitenzahn über Millionen von Gewichten rechnerisch schwer zu ermitteln ist
5. Was trägt der Monte-Carlo-Aussteiger zur Schätzung der Unsicherheit bei?
   • Hält den Dropout zum Testzeitpunkt aktiv und führt das Netzwerk viele Male aus, wobei die Streuung der Ausgänge genutzt wird
   • Schaltet Aussetzer aus und trainiert länger
   • Entfernt alle Neuronen dauerhaft
   • Ersetzt den Verlust durch zufälliges Rauschen
6. Variationsinferenz definiert die posteriore Schätzung neu als welche Art von Problem?
   • Ein Sortierproblem
   • Ein Optimierungsproblem, das die KL-Divergenz minimiert (über ELBO)
   • Ein reines Zufallsstichprobenproblem ohne Ziel
   • Ein Hardware-Designproblem
7. How does Bayes’ rule relate a prior, likelihood, and posterior?
   • The posterior is the prior plus the likelihood, without normalization
   • It is the likelihood divided by the prior without normalization
   • The posterior is proportional to the prior times the likelihood
   • It is the fixed point estimate of the most likely weight vector
8. How does MCMC approximate a Bayesian neural-network posterior?
   • By training a single point estimate with dropout disabled
   • By ranking model outputs with a fixed rule
   • By minimizing an ELBO with a simpler variational family
   • By drawing samples through a Markov chain whose stationary distribution targets the posterior