Quiz sur la normalisation des flux

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

1. Quelle propriété mathématique doit avoir chaque transformation dans un flux normalisant ?
   • Il doit s'agir d'une cartographie aléatoire et non inversible
   • Il doit être inversible (bijectif) et différentiable
   • Il doit réduire la dimensionnalité à chaque étape
   • Ce doit être une table de recherche discrète
2. Quelle formule permet de normaliser les flux pour calculer des vraisemblances exactes ?
   • La fonction softmax
   • L'équation de Bellman
   • La règle de Bayes appliquée aux logits
   • La formule de changement de variables utilisant le déterminant jacobien
3. Pourquoi les architectures de flux comme RealNVP et Glow utilisent-elles des couches de couplage ?
   • Rendre le jacobien triangulaire afin que son déterminant soit peu coûteux à calculer
   • Pour rendre le modèle non inversible
   • Pour supprimer le besoin d’une distribution de base
   • Pour convertir le modèle en GAN
4. What does a tractable normalizing flow provide that an ordinary GAN generator generally does not?
   • A guarantee of perfect anomaly detection
   • A guarantee of faster sampling than every GAN
   • An explicitly evaluable model density through change of variables
   • A non-invertible mapping with no base distribution
5. How should a team use normalizing-flow likelihoods for anomaly detection?
   • Assume every high-likelihood input is familiar
   • Treat density as the probability mass of a single point
   • Skip checking real anomaly labels
   • Validate them as a signal against relevant in-distribution and anomalous examples
6. Quelle technique moderne, utilisée dans des systèmes comme Stable Diffusion 3, est née des idées de flux continu ?
   • Rétropropagation dans le temps
   • Correspondance de flux (apprentissage d'un champ de vitesse qui transporte le bruit vers les données)
   • Tokenisation
   • Recherche de faisceau
7. A one-dimensional flow inverse is z = x / 2. What log-Jacobian term appears in log p(x)?
   • log(2)
   • The parameter count of the network
   • log(1/2)
   • No term because the inverse is linear
8. Why must a normalizing flow account for stretching or shrinking volume?
   • A transformed region’s density must reflect the changed volume
   • The transformation must lose half its dimensions
   • Every output point must have probability mass one
   • The base distribution must be discarded after training