Κουίζ για γενετικά μοντέλα βάσει βαθμολογίας

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Ποιο είναι ακριβώς το 'score' που μαθαίνουν αυτά τα μοντέλα;
   • Η κλίση της πυκνότητας log-πιθανότητας ως προς την είσοδο
   • Αξιολόγηση ποιότητας από 0 έως 100 για κάθε εικόνα
   • Ο αριθμός των εποχών κατάρτισης που ολοκληρώθηκαν
   • Η ετικέτα ταξινόμησης του σημείου δεδομένων
2. Γιατί τα μοντέλα που βασίζονται σε βαθμολογία που έχουν εκπαιδευτεί σε δεδομένα αλλοιώνονται με θόρυβο σε πολλαπλές κλίμακες;
   • Για να φαίνονται οι εικόνες καλλιτεχνικές
   • Επειδή η βαθμολογία είναι δύσκολο να εκτιμηθεί όπου τα καθαρά δεδομένα είναι αραιά και ο θόρυβος γεμίζει σε αυτές τις περιοχές
   • Για να μειώσετε το μέγεθος αρχείου του συνόλου δεδομένων
   • Επειδή ο θόρυβος επιταχύνει τη GPU
3. Ποια διαδικασία δειγματοληψίας χρησιμοποίησαν τα πρώιμα μοντέλα με βάση τη βαθμολογία για τη δημιουργία δεδομένων;
   • Κάθοδος κλίσης στα pixel προς μια σταθερή εικόνα στόχου
   • Πολλαπλασιασμός μονής μήτρας
   • Δυναμική Langevin — προχωρώντας κατά μήκος της παρτιτούρας ενώ προσθέτετε θόρυβο
   • Τυχαία περικοπή και ανατροπή
4. Ποια σημαντική σύνδεση δημιούργησε το έγγραφο βαθμολογίας 2021-SDE;
   • Ότι τα GAN είναι πάντα καλύτερα από τη διάχυση
   • Ότι τα νευρωνικά δίκτυα δεν μπορούν να μοντελοποιήσουν εικόνες
   • Αυτά τα μοντέλα βαθμολογίας λειτουργούν μόνο σε δύο διαστάσεις
   • Ότι τα μοντέλα διάχυσης και τα μοντέλα που βασίζονται σε βαθμολογία είναι δύο απόψεις της ίδιας συνεχούς διαδικασίας SDE
5. Πώς σχετίζεται η πρόβλεψη του θορύβου με την πρόβλεψη της βαθμολογίας στην αντιστοίχιση βαθμολογίας απόσβεσης θορύβου;
   • The conditional denoising-score target is −ε/σ for standardized Gaussian noise; the model estimates the noisy-data score
   • Noise prediction and score estimation are unrelated
   • Η πρόβλεψη του θορύβου είναι αδύνατη
   • Η βαθμολογία είναι πάντα μηδέν για δεδομένα με θόρυβο
6. Τι επιτρέπει η ντετερμινιστική «ροή πιθανότητας ODE» που δεν παρέχει εύκολα η καθαρή στοχαστική δειγματοληψία;
   • Υψηλότερη κατανάλωση ενέργειας GPU
   • Ακριβής υπολογισμός πιθανότητας και ντετερμινιστική διαδρομή δειγματοληψίας
   • Αυτόματη επισήμανση δεδομένων
   • Κατάργηση της ανάγκης για οποιοδήποτε νευρωνικό δίκτυο
7. In score-based generation, what does the reverse-time SDE do?
   • It converts image labels into captions
   • It adds noise to an already generated output only
   • It transforms a prior noise distribution back toward the data distribution
   • It estimates the class label of each pixel
8. In a score-based MRI reconstruction method, how can a learned image prior help recover an undersampled scan?
   • Use the prior alone and ignore measured k-space data
   • Combine the learned score prior with the measurement constraint during posterior sampling
   • Replace all measurements with random noise
   • Treat the score as a diagnosis of the patient