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.

Percorsi guida correlatiApprendimento profondo bayesiano
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.

  1. 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
  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. 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
  5. 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
  6. 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
  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