Quiz collegato alla guida · Medio Livello

Quiz sui codificatori automatici

Controlla gli obiettivi di ricostruzione, la compressione latente, il denoising, le caratteristiche non lineari e le differenze tra autoencoder standard e variazionali.

Percorsi guida correlatiCodificatori automatici
Domanda 1 di 8

Qual è lo scopo del "collo di bottiglia" (codice latente) in un codificatore automatico?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Qual è lo scopo del "collo di bottiglia" (codice latente) in un codificatore automatico?
    • Forzare la rete in una rappresentazione compatta che coglie la struttura essenziale
    • Per aggiungere più parametri e aumentare la capacità del modello
    • Per memorizzare le etichette per la classificazione supervisionata
    • Per rallentare l'allenamento per una migliore stabilità
  2. Perché gli autoencoder sono considerati auto-supervisionati?
    • Richiedono enormi set di dati etichettati
    • L'obiettivo dell'addestramento è l'input stesso, quindi non sono necessarie etichette esterne
    • Un essere umano etichetta manualmente ogni ricostruzione
    • Funzionano solo su immagini preclassificate
  3. In cosa differisce un codificatore automatico con denoising da uno standard?
    • Rimuove completamente il decoder
    • Funziona solo con dati di testo
    • È addestrato a ricostruire un input pulito da una versione danneggiata
    • Non richiede uno strato di collo di bottiglia
  4. Cosa rende un autoencoder variazionale (VAE) in grado di generare nuovi dati?
    • Memorizza ogni esempio di allenamento
    • Non utilizza decoder
    • Sostituisce le reti neurali con alberi decisionali
    • Apprende uno spazio latente uniforme e probabilistico da cui puoi campionare
  5. Un autocodificatore lineare addestrato con errore quadratico medio somiglia molto a quale tecnica classica?
    • Analisi delle componenti principali (PCA)
    • K-significa clustering
    • Alberi decisionali
    • Regressione logistica
  6. Perché gli autoencoder sono adatti al rilevamento delle anomalie?
    • Etichettano le anomalie durante l'allenamento
    • Ricostruiscono bene modelli comuni ma mostrano grandi errori su modelli rari e invisibili
    • Ignorano completamente l'errore di ricostruzione
    • Producono solo classificazioni binarie
  7. Which reconstruction loss does the guide associate with binary-pixel data?
    • Perdita di margine tripla
    • 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