Quiz sur les encodeurs automatiques

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Quel est le but du « goulot d'étranglement » (code latent) dans un auto-encodeur ?
   • Pour forcer le réseau dans une représentation compacte qui capture la structure essentielle
   • Pour ajouter plus de paramètres et augmenter la capacité du modèle
   • Pour stocker des étiquettes pour une classification supervisée
   • Pour ralentir l’entraînement pour une meilleure stabilité
2. Pourquoi les encodeurs automatiques sont-ils considérés comme auto-supervisés ?
   • Ils nécessitent d’énormes ensembles de données étiquetés
   • La cible de la formation est l'entrée elle-même, aucune étiquette externe n'est donc nécessaire
   • Un humain étiquette chaque reconstruction à la main
   • Ils ne fonctionnent que sur des images pré-classées
3. En quoi un auto-encodeur débruiteur diffère-t-il d'un encodeur standard ?
   • Il supprime entièrement le décodeur
   • Cela ne fonctionne qu'avec des données texte
   • Il est formé pour reconstruire une entrée propre à partir d'une version corrompue
   • Il ne nécessite aucune couche de goulot d'étranglement
4. Qu'est-ce qui rend un auto-encodeur variationnel (VAE) capable de générer de nouvelles données ?
   • Il mémorise chaque exemple de formation
   • Il n'utilise aucun décodeur
   • Il remplace les réseaux de neurones par des arbres de décision
   • Il apprend un espace latent lisse et probabiliste à partir duquel vous pouvez échantillonner
5. À quelle technique classique un auto-encodeur linéaire entraîné avec une erreur quadratique moyenne ressemble-t-il ?
   • Analyse en composantes principales (ACP)
   • K-means clustering
   • Arbres de décision
   • Régression logistique
6. Pourquoi les auto-encodeurs sont-ils bien adaptés à la détection d’anomalies ?
   • Ils étiquettent les anomalies pendant l'entraînement
   • Ils reconstruisent bien les modèles courants mais montrent de grandes erreurs sur des modèles rares et invisibles.
   • Ils ignorent complètement les erreurs de reconstruction
   • Ils ne produisent que des classifications binaires
7. Which reconstruction loss does the guide associate with binary-pixel data?
   • Perte de marge triple
   • Temporal-difference error
   • Cross-entropy
   • Cosine annealing loss
8. Why can nonlinear activations make an autoencoder more expressive than a linear one?
   • They force the latent code to equal the input size
   • They remove the decoder from the model
   • They guarantee zero reconstruction error on unseen data
   • They allow it to learn nonlinear or curved structures in the data