बायेसियन डीप लर्निंग क्विज़

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. बायेसियन न्यूरल नेटवर्क अपने वजन को मानक से अलग कैसे व्यवहार करता है?
   • यह प्रत्येक भार को एक निश्चित मान के बजाय संभाव्यता वितरण के रूप में मानता है
   • इसमें दशमलव के स्थान पर पूर्णांक भार का उपयोग किया जाता है
   • यह वज़न को पूरी तरह से हटा देता है
   • यह सभी परतों में एक ही भार साझा करता है
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. परिवर्तनशील अनुमान या एमसीएमसी जैसे सन्निकटन की आवश्यकता क्यों है?
   • क्योंकि तंत्रिका नेटवर्क में कोई हानि फ़ंक्शन नहीं होता है
   • क्योंकि GPU जोड़ नहीं सकते
   • क्योंकि वज़न पूर्णांक होना चाहिए
   • क्योंकि लाखों वज़न से अधिक का सटीक पिछला भाग कम्प्यूटेशनल रूप से कठिन है
5. मोंटे कार्लो ड्रॉपआउट अनिश्चितता का अनुमान लगाने के लिए क्या करता है?
   • परीक्षण के समय ड्रॉपआउट को सक्रिय रखता है और आउटपुट के प्रसार का उपयोग करके नेटवर्क को कई बार चलाता है
   • ड्रॉपआउट बंद हो जाता है और ट्रेनें लंबी हो जाती हैं
   • सभी न्यूरॉन्स को स्थायी रूप से हटा देता है
   • हानि को यादृच्छिक शोर से बदल देता है
6. भिन्नात्मक अनुमान पश्च अनुमान को किस प्रकार की समस्या के रूप में पुनः परिभाषित करता है?
   • एक छँटाई समस्या
   • एक अनुकूलन समस्या जो केएल विचलन को कम करती है (ईएलबीओ के माध्यम से)
   • बिना किसी उद्देश्य के एक शुद्ध यादृच्छिक नमूनाकरण समस्या
   • एक हार्डवेयर डिज़ाइन समस्या
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