Quiz collegato alla guida · Difficile Livello
Quiz sul deep learning bayesiano
Esplora le reti bayesiane, i pesi incerti, le approssimazioni posteriori, il dropout Monte Carlo e la calibrazione della confidenza sui dati conservati.
Domanda 1 di 8
In che modo una rete neurale bayesiana tratta i suoi pesi in modo diverso da una rete standard?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- In che modo una rete neurale bayesiana tratta i suoi pesi in modo diverso da una rete standard?
- Tratta ciascun peso come una distribuzione di probabilità anziché come un singolo valore fisso
- Utilizza pesi interi anziché decimali
- Rimuove completamente i pesi
- Condivide un peso tra tutti gli strati
- 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
- 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
- Perché sono necessarie approssimazioni come l'inferenza variazionale o MCMC?
- Perché le reti neurali non hanno alcuna funzione di perdita
- Perché le GPU non possono fare addizioni
- Perché i pesi devono essere numeri interi
- Perché il posteriore esatto su milioni di pesi è computazionalmente intrattabile
- Cosa fa il dropout di Monte Carlo per stimare l’incertezza?
- Mantiene attivo il dropout al momento del test ed esegue la rete molte volte, utilizzando la diffusione degli output
- Disattiva l'abbandono e si allena più a lungo
- Rimuove permanentemente tutti i neuroni
- Sostituisce la perdita con rumore casuale
- L'inferenza variazionale riformula la stima a posteriori come che tipo di problema?
- Un problema di ordinamento
- Un problema di ottimizzazione che minimizza la divergenza KL (tramite ELBO)
- Un problema di campionamento casuale puro senza obiettivo
- Un problema di progettazione hardware
- 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
- 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