Útmutatóhoz kapcsolódó kvíz · Kemény Szint
Energiaalapú modellek kvíz
Apply energy-based probabilities, partition functions, and score gradients, including how relative energies determine normalized distribution ratios.
kérdés 1 -ból 8
Egy energia alapú modellben hogyan kapcsolódik az energia egy adatpont valószínűségéhez?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Egy energia alapú modellben hogyan kapcsolódik az energia egy adatpont valószínűségéhez?
- A nagy energia nagy valószínűséget jelent
- Az alacsony energia nagy valószínűséget jelent (p(x) arányos az exp(-E(x)))
- Az energia és a valószínűség nincs összefüggésben
- A valószínűség közvetlenül egyenlő az energiával
- Mi teszi nehézzé az energiaalapú modellek képzését?
- Az energiafüggvény nem lehet neurális hálózat
- Csak címkézett adatokat igényelnek
- Nem ábrázolhatnak képeket
- A Z partíciófüggvény (minden bemenetre normalizáló) általában nehezen kiszámítható
- Melyik mintavételi módszert használják általánosan az EBM-ből való mintavételhez?
- Langevin dinamika (gradiens alapú MCMC)
- Sugárkeresés
- Quicksort
- Egyetlen előrepassz
- Miért kerülhetik el az olyan módszerek, mint a pontszámillesztés, a Z partíciófüggvény kiszámítását?
- Mert Z mindig egyenlő 1-gyel
- Mert figyelmen kívül hagyják az energiafunkciót
- Mivel a log p(x) gradiense E(x) -gradiense, és Z (konstans x-ben) kiesik a differenciáláskor
- Mert csak diszkrét adatokon dolgoznak
- Ezek közül melyik a klasszikus energia alapú modell?
- A transzformátor
- A döntési fa
- A k-közép algoritmus
- A Hopfield hálózat
- For a differentiable EBM density with Z constant in x, how does its score relate to energy?
- The score equals the partition function itself
- The score equals the negative input gradient of energy
- The score ignores the learned energy entirely
- The score is always the positive energy gradient
- An EBM adds the same constant c to every E(x). What happens to normalized probabilities?
- Every probability increases by c
- All inputs become equally probable
- They remain unchanged after the partition function is adjusted
- The normalizer must be set to zero
- For two configurations with E(a) lower than E(b), what follows under the same normalized Gibbs model?
- Configuration a has greater probability than b
- Configuration b has greater probability because its energy is higher
- Both probabilities must be exactly one
- The comparison requires different partition functions for each point