Kuis Autoencoder

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa tujuan dari 'bottleneck' (kode laten) dalam autoencoder?
   • Untuk memaksa jaringan menjadi representasi kompak yang menangkap struktur penting
   • Untuk menambahkan lebih banyak parameter dan meningkatkan kapasitas model
   • Untuk menyimpan label untuk klasifikasi yang diawasi
   • Untuk memperlambat latihan demi stabilitas yang lebih baik
2. Mengapa autoencoder dianggap diawasi sendiri?
   • Mereka membutuhkan kumpulan data berlabel besar
   • Target pelatihannya adalah masukan itu sendiri, jadi tidak diperlukan label eksternal
   • Manusia memberi label pada setiap rekonstruksi dengan tangan
   • Mereka hanya bekerja pada gambar yang telah diklasifikasi sebelumnya
3. Apa perbedaan autoencoder denoising dengan autoencoder standar?
   • Ini menghapus decoder sepenuhnya
   • Ini hanya berfungsi dengan data teks
   • Itu dilatih untuk merekonstruksi input bersih dari versi yang rusak
   • Ini tidak memerlukan lapisan hambatan
4. Apa yang membuat variasional autoencoder (VAE) bisa menghasilkan data baru?
   • Ia menghafal setiap contoh pelatihan
   • Ia tidak menggunakan dekoder
   • Ini menggantikan jaringan saraf dengan pohon keputusan
   • Ia mempelajari ruang laten yang halus dan probabilistik yang dapat Anda jadikan sampel
5. Autoencoder linier yang dilatih dengan kesalahan mean-squared sangat mirip dengan teknik klasik yang mana?
   • Analisis komponen utama (PCA)
   • Pengelompokan K-means
   • Pohon keputusan
   • Regresi logistik
6. Mengapa autoencoder cocok untuk mendeteksi anomali?
   • Mereka memberi label anomali selama pelatihan
   • Mereka merekonstruksi pola-pola umum dengan baik tetapi menunjukkan kesalahan besar pada pola-pola yang jarang dan tidak terlihat
   • Mereka mengabaikan kesalahan rekonstruksi sepenuhnya
   • Mereka hanya menampilkan klasifikasi biner
7. Which reconstruction loss does the guide associate with binary-pixel data?
   • Kerugian margin tiga kali lipat
   • Temporal-difference error
   • Cross-entropy
   • Cosine annealing loss
8. Why can nonlinear activations make an autoencoder more expressive than a linear one?
   • They force the latent code to equal the input size
   • They remove the decoder from the model
   • They guarantee zero reconstruction error on unseen data
   • They allow it to learn nonlinear or curved structures in the data