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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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