Quiz sur les auto-encodeurs variationnels

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

1. Que produit l'encodeur d'un VAE pour une entrée donnée ?
   • Les paramètres d'une distribution de probabilité, tels qu'une moyenne et une variance
   • Un seul point fixe dans l'espace latent
   • Une étiquette de classe
   • Une copie reconstituée de l'entrée
2. Quel est le but de l’astuce de reparamétrage ?
   • Pour agrandir le décodeur
   • Pour permettre aux gradients de circuler à travers l'étape d'échantillonnage aléatoire
   • Pour supprimer le besoin d’un décodeur
   • Pour compresser davantage l’espace latent
3. Dans la formulation gaussienne standard de la VAE, qu’encourage le terme KL ?
   • 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 fonction objectif que les VAE maximisent lors de la formation est appelée :
   • Plafond d'entropie croisée
   • Perte contradictoire
   • Marge quadratique moyenne
   • Limite inférieure des preuves (ELBO)
5. Dans un VAE gaussien, qu’est-ce qui permet de générer un nouvel échantillon ?
   • 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. Dans un modèle de diffusion latente comme Stable Diffusion, quel rôle joue la VAE ?
   • Il étiquette les images de formation
   • Il compresse les images dans un espace latent où s'effectue la diffusion, puis les décode en pixels.
   • Il remplace l'encodeur de texte
   • Il programme les niveaux de bruit
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)