Útmutatóhoz kapcsolódó kvíz · Kemény Szint

Bayesi mélytanulási kvíz

Explore Bayesian networks, uncertain weights, posterior approximations, Monte Carlo dropout, and confidence calibration on held-out data.

Kapcsolódó útmutató utakBayesi mélytanulás
kérdés 1 -ból 8

Hogyan kezeli a Bayes-féle neurális hálózat a súlyait másképp, mint egy szabványos?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Hogyan kezeli a Bayes-féle neurális hálózat a súlyait másképp, mint egy szabványos?
    • Minden súlyt valószínűségi eloszlásként kezel, nem pedig egyetlen rögzített értékként
    • Tizedesjegyek helyett egész súlyokat használ
    • Teljesen eltávolítja a súlyokat
    • Egy súlyon osztozik az összes rétegen
  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. Miért van szükség olyan közelítésekre, mint a variációs következtetés vagy az MCMC?
    • Mivel a neurális hálózatoknak nincs veszteségfüggvénye
    • Mivel a GPU-k nem tudnak hozzáadni
    • Mert a súlyoknak egész számoknak kell lenniük
    • Mivel a súlyok millióinak pontos utótagja számításilag megoldhatatlan
  5. Mit tesz a Monte Carlo-i lemorzsolódás a bizonytalanság becslésére?
    • A tesztidőben aktívan tartja a lemorzsolódást, és sokszor futtatja a hálózatot, a kimenetek szétterülését felhasználva
    • Kikapcsolja a lemorzsolódást és tovább edz
    • Véglegesen eltávolítja az összes neuront
    • A veszteséget véletlenszerű zajjal helyettesíti
  6. A variációs következtetés milyen problémaként fogalmazza meg az utólagos becslést?
    • Rendezési probléma
    • Optimalizálási probléma, amely minimalizálja a KL divergenciát (az ELBO-n keresztül)
    • Pusztán véletlenszerű mintavételi probléma, cél nélkül
    • Hardver tervezési probléma
  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