Prueba de codificadores automáticos variacionales

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

1. ¿Qué produce el codificador en un VAE para una entrada determinada?
   • Los parámetros de una distribución de probabilidad, como la media y la varianza.
   • Un único punto fijo en el espacio latente.
   • Una etiqueta de clase
   • Una copia reconstruida de la entrada.
2. ¿Cuál es el propósito del truco de reparametrización?
   • Para agrandar el decodificador
   • Para permitir que los gradientes fluyan a través del paso de muestreo aleatorio
   • Para eliminar la necesidad de un decodificador
   • Para comprimir aún más el espacio latente
3. In the standard Gaussian VAE formulation, what does the KL term encourage?
   • The decoder to predict future input tokens
   • The encoder to remove all randomness
   • The approximate posterior to stay close to the chosen prior, commonly a standard normal
   • Every latent variable to have the same observed value
4. La función objetivo que los VAE maximizan durante el entrenamiento se denomina:
   • Techo de entropía cruzada
   • Pérdida adversaria
   • Margen cuadrático medio
   • Límite inferior de evidencia (ELBO)
5. In a Gaussian VAE, what enables generation of a new sample?
   • Sample a latent from the prior and decode it with the learned decoder
   • Copy a training image directly without a model
   • Run the encoder backward with no latent sampling
   • Choose a random class label without decoding
6. En un modelo de difusión latente como la Difusión Estable, ¿qué papel juega el VAE?
   • Etiqueta las imágenes de entrenamiento.
   • Comprime imágenes en un espacio latente donde se ejecuta la difusión y luego las decodifica nuevamente en píxeles.
   • Reemplaza el codificador de texto.
   • Programa los niveles de ruido.
7. In variational inference, what does the ELBO provide for the marginal log likelihood log p(x)?
   • An exact value of log p(x) for every model
   • A guarantee that each generated sample is realistic
   • A tractable lower bound that can be maximized instead of directly maximizing log p(x)
   • A posterior distribution that requires no inference model
8. What distribution does a VAE decoder model given a latent vector?
   • The encoder’s approximate posterior q(z|x)
   • The training set’s class-frequency histogram only
   • The optimizer’s learning-rate schedule
   • The likelihood of an observation conditioned on that latent, p(x|z)