Útmutatóhoz kapcsolódó kvíz · Kemény Szint
Pontszámon alapuló generatív modellek kvíz
Test score functions, denoising score matching, Langevin sampling, and the reverse-time SDE view of data generation from noise.
kérdés 1 -ból 8
Pontosan mi az a „pontszám”, amit ezek a modellek megtanulnak?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Pontosan mi az a „pontszám”, amit ezek a modellek megtanulnak?
- A log-valószínűségi sűrűség gradiense a bemenethez képest
- 0-tól 100-ig terjedő minőségi besorolás minden képnél
- A befejezett képzési korszakok száma
- Az adatpont osztályozási címkéje
- Miért vannak a pontszám-alapú modellek olyan adatokra tanítva, amelyek több skálán zajjal sérültek?
- Hogy a képek művészinek tűnjenek
- Mivel a pontszámot nehéz megbecsülni, ahol ritka a tiszta adat, és ezekben a régiókban zajosak
- Az adatkészlet fájlméretének csökkentése érdekében
- Mert a zaj felgyorsítja a GPU-t
- Milyen mintavételi eljárást használtak a korai pontszám alapú modellek az adatok előállításához?
- Gradiens süllyedés a pixeleken egy rögzített célkép felé
- Egyetlen mátrixszorzás
- Langevin-dinamika – a partitúra mentén haladva zaj hozzáadásával
- Véletlenszerű vágás és lapozás
- Milyen jelentős összefüggést hozott létre a 2021-es score-SDE tanulmány?
- Hogy a GAN-ok mindig jobbak, mint a diffúzió
- Hogy a neurális hálózatok nem tudnak képeket modellezni
- Ezek a pontszámmodellek csak két dimenzióban működnek
- A diffúziós modellek és a pontszám alapú modellek ugyanannak a folyamatos SDE-folyamatnak a két nézete
- Hogyan kapcsolódik a zaj előrejelzése a zajtalanító pontszám egyeztetésénél elért pontszám előrejelzéséhez?
- The conditional denoising-score target is −ε/σ for standardized Gaussian noise; the model estimates the noisy-data score
- Noise prediction and score estimation are unrelated
- A zaj előrejelzése lehetetlen
- Zajos adatok esetén a pontszám mindig nulla
- Mit tesz lehetővé a determinisztikus „valószínűségi áramlási ODE”, amit a tiszta sztochasztikus mintavétel nem biztosít könnyen?
- Magasabb GPU energiafogyasztás
- Pontos valószínűségszámítás és determinisztikus mintavételi útvonal
- Automatikus adatkészlet-címkézés
- Bármilyen neurális hálózat szükségességének megszüntetése
- In score-based generation, what does the reverse-time SDE do?
- It converts image labels into captions
- It adds noise to an already generated output only
- It transforms a prior noise distribution back toward the data distribution
- It estimates the class label of each pixel
- In a score-based MRI reconstruction method, how can a learned image prior help recover an undersampled scan?
- Use the prior alone and ignore measured k-space data
- Combine the learned score prior with the measurement constraint during posterior sampling
- Replace all measurements with random noise
- Treat the score as a diagnosis of the patient