Cuestionario vinculado a una guía · duro Nivel

Prueba de modelos basados en energía

Aplique probabilidades basadas en energía, funciones de partición y gradientes de puntuación, incluido cómo las energías relativas determinan las relaciones de distribución normalizadas.

Rutas de guía relacionadasModelos basados ​​en energía
Pregunta 1 de 8

En un modelo basado en energía, ¿cómo se relaciona la energía con la probabilidad de un punto de datos?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. En un modelo basado en energía, ¿cómo se relaciona la energía con la probabilidad de un punto de datos?
    • Alta energía significa alta probabilidad
    • Baja energía significa alta probabilidad (p(x) es proporcional a exp(-E(x)))
    • La energía y la probabilidad no están relacionadas
    • La probabilidad es igual a la energía directamente.
  2. ¿Qué dificulta el entrenamiento de modelos basados en energía?
    • La función de energía no puede ser una red neuronal.
    • Sólo requieren datos etiquetados
    • No pueden representar imágenes.
    • La función de partición Z (normalizador de todas las entradas) suele ser difícil de calcular.
  3. ¿Qué método de muestreo se utiliza comúnmente para extraer muestras de una EBM?
    • Dinámica de Langevin (MCMC basada en gradiente)
    • búsqueda de haz
    • clasificación rápida
    • Un solo pase hacia adelante
  4. ¿Por qué métodos como la comparación de puntuaciones pueden evitar calcular la función de partición Z?
    • Porque Z siempre es igual a 1
    • Porque ignoran la función energética.
    • Debido a que el gradiente de log p(x) es -gradiente de E(x), y Z (una constante en x) desaparece al derivar
    • Porque solo funcionan con datos discretos.
  5. ¿Cuál de estos es un modelo clásico basado en la energía?
    • El transformador
    • El árbol de decisiones
    • El algoritmo k-medias
    • La red 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