Kuis Pembelajaran Mendalam Bayesian

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Bagaimana jaringan saraf Bayesian memperlakukan bobotnya secara berbeda dari jaringan saraf standar?
   • Ini memperlakukan setiap bobot sebagai distribusi probabilitas dan bukan sebagai nilai tetap tunggal
   • Ini menggunakan bobot bilangan bulat, bukan desimal
   • Ini menghilangkan beban sepenuhnya
   • Ia berbagi satu bobot di semua lapisan
2. 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
3. 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
4. Mengapa perkiraan seperti inferensi variasional atau MCMC diperlukan?
   • Karena jaringan saraf tidak memiliki fungsi kerugian
   • Karena GPU tidak bisa melakukan penambahan
   • Karena bobot harus bilangan bulat
   • Karena bagian belakang yang tepat dari jutaan beban secara komputasi sulit dilakukan
5. Apa yang dilakukan lulusan Monte Carlo untuk memperkirakan ketidakpastian?
   • Menjaga dropout tetap aktif pada waktu pengujian dan menjalankan jaringan berkali-kali, menggunakan penyebaran keluaran
   • Mematikan putus sekolah dan berlatih lebih lama
   • Menghapus semua neuron secara permanen
   • Menggantikan kehilangan dengan suara acak
6. Inferensi variasional membingkai ulang estimasi posterior sebagai masalah apa?
   • Masalah penyortiran
   • Masalah optimasi yang meminimalkan divergensi KL (melalui ELBO)
   • Masalah pengambilan sampel acak murni tanpa tujuan
   • Masalah desain perangkat keras
7. 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
8. 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