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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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