Kuis terkait panduan · Keras Tingkat

Kuis Superposisi dan Polisemantisitas

Memeriksa fitur superposisi, ketersebaran, neuron polisemantik, arah yang tumpang tindih, dan geometri representasi terkompresi.

Pertanyaan 1 dari 8

Apa yang dimaksud dengan 'superposisi' dalam jaringan saraf?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa yang dimaksud dengan 'superposisi' dalam jaringan saraf?
    • Mewakili lebih banyak fitur daripada jumlah neuron dengan tumpang tindih arahnya
    • Menumpuk beberapa model di atas satu sama lain
    • Menjalankan model dua kali dan membuat rata-rata
    • Menambahkan noise ke input selama pelatihan
  2. Kondisi apa yang membuat superposisi berfungsi dengan baik meskipun ada gangguan fitur?
    • Fitur menjadi sangat aktif sepanjang waktu
    • Fitur-fiturnya jarang, sehingga hanya sedikit yang aktif secara bersamaan
    • Hanya menggunakan aktivasi positif
    • Memiliki lebih banyak neuron daripada fitur
  3. Apa itu neuron 'polisemantik'?
    • Sebuah neuron yang tidak pernah aktif
    • Sebuah neuron yang hanya digunakan pada lapisan keluaran
    • Sebuah neuron yang merespons banyak konsep yang tidak berhubungan
    • Sebuah neuron tanpa koneksi
  4. Makalah Anthropic manakah yang memperkenalkan studi terkontrol tentang fenomena ini pada tahun 2022?
    • Hanya Perhatian yang Anda Butuhkan
    • Klasifikasi ImageNet dengan Deep CNN
    • Memainkan Atari dengan Deep RL
    • Model Mainan Superposisi
  5. Jika suatu lapisan harus menyimpan lebih banyak fitur daripada dimensinya, apa yang secara geometris tidak dapat dihindari?
    • Beberapa fitur harus berbagi arah yang tumpang tindih dan tidak ortogonal
    • Semua fiturnya bisa tetap ortogonal sempurna
    • Jaringan harus crash
    • Semua fitur menjadi identik
  6. Mengapa superposisi mempersulit interpretasi?
    • Itu membuat model lebih lambat untuk dijalankan
    • Neuron tunggal tidak lagi terpetakan dengan rapi ke konsep tunggal
    • Ini menghapus semua fitur dari model
    • Ini hanya mempengaruhi lapisan masukan
  7. Why does sparse feature activity reduce interference when more features than dimensions are represented?
    • Sparse activity makes all feature directions orthogonal
    • It increases the number of neurons automatically
    • Fewer features are active at the same time, so overlapping directions collide less often
    • It removes the need for nonlinear computation
  8. What does an antipodal pair of feature directions look like geometrically?
    • Two vectors at a right angle in separate dimensions
    • Two vectors with identical directions and magnitudes
    • A vector with no coordinates
    • Two directions that point opposite ways along the same line