Quiz bayésien sur l'apprentissage profond

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

1. Comment un réseau neuronal bayésien traite-t-il ses poids différemment d'un réseau standard ?
   • Il traite chaque poids comme une distribution de probabilité plutôt que comme une seule valeur fixe
   • Il utilise des poids entiers au lieu de décimales
   • Il supprime entièrement les poids
   • Il partage un poids sur toutes les couches
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. Pourquoi des approximations telles que l'inférence variationnelle ou MCMC sont-elles nécessaires ?
   • Parce que les réseaux de neurones n'ont pas de fonction de perte
   • Parce que les GPU ne peuvent pas faire d'addition
   • Parce que les poids doivent être des nombres entiers
   • Parce que le postérieur exact sur des millions de poids est insoluble sur le plan informatique
5. Que fait l’abandon de Monte Carlo pour estimer l’incertitude ?
   • Maintient le décrochage actif au moment du test et exécute le réseau plusieurs fois, en utilisant la répartition des sorties
   • Désactive le décrochage et s'entraîne plus longtemps
   • Supprime définitivement tous les neurones
   • Remplace la perte par du bruit aléatoire
6. L'inférence variationnelle recadre l'estimation a posteriori comme quel type de problème ?
   • Un problème de tri
   • Un problème d'optimisation qui minimise la divergence KL (via l'ELBO)
   • Un problème d'échantillonnage aléatoire pur sans objectif
   • Un problème de conception matérielle
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