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.

Kapcsolódó útmutató utakPontszámon alapuló generatív modellek
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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