Quiz collegato alla guida · Difficile Livello

Quiz sui modelli generativi basati su punteggi

Funzioni del punteggio di test, corrispondenza del punteggio di denoising, campionamento di Langevin e vista SDE in tempo inverso della generazione di dati dal rumore.

Domanda 1 di 8

Qual è esattamente il "punteggio" che apprendono questi modelli?

Anteprima di ogni domanda8 domande

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

  1. Qual è esattamente il "punteggio" che apprendono questi modelli?
    • Il gradiente della densità di probabilità logaritmica rispetto all'input
    • Una valutazione di qualità da 0 a 100 per ciascuna immagine
    • Il numero di epoche di allenamento completate
    • L'etichetta di classificazione del punto dati
  2. Perché i modelli basati sui punteggi vengono addestrati su dati corrotti dal rumore su più scale?
    • Per rendere le immagini artistiche
    • Perché è difficile stimare il punteggio laddove i dati puliti sono scarsi e in quelle regioni si riempie il rumore
    • Per ridurre la dimensione del file del set di dati
    • Perché il rumore accelera la GPU
  3. Quale procedura di campionamento utilizzavano i primi modelli basati sui punteggi per generare i dati?
    • Discesa gradiente sui pixel verso un'immagine target fissa
    • Una moltiplicazione di matrici singole
    • Dinamica Langevin: avanzare lungo la partitura aggiungendo rumore
    • Ritaglio e capovolgimento casuali
  4. Quale collegamento principale ha stabilito il documento sullo score-SDE del 2021?
    • Che i GAN sono sempre migliori della diffusione
    • Che le reti neurali non possono modellare le immagini
    • I modelli di punteggio funzionano solo in due dimensioni
    • I modelli di diffusione e i modelli basati sui punteggi sono due visioni dello stesso processo SDE continuo
  5. In che modo la previsione del rumore è correlata alla previsione del punteggio nel denoising della corrispondenza del punteggio?
    • The conditional denoising-score target is −ε/σ for standardized Gaussian noise; the model estimates the noisy-data score
    • Noise prediction and score estimation are unrelated
    • Prevedere il rumore è impossibile
    • Il punteggio è sempre zero per i dati disturbati
  6. Che cosa consente l'ODE deterministica del flusso di probabilità che il campionamento stocastico puro non fornisce facilmente?
    • Consumo energetico della GPU più elevato
    • Calcolo esatto della verosimiglianza e percorso di campionamento deterministico
    • Etichettatura automatica dei set di dati
    • Eliminazione della necessità di qualsiasi rete neurale
  7. In score-based generation, what does the reverse-time SDE do?
    • It converts image labels into captions
    • It adds noise to an already generated output only
    • It transforms a prior noise distribution back toward the data distribution
    • It estimates the class label of each pixel
  8. In a score-based MRI reconstruction method, how can a learned image prior help recover an undersampled scan?
    • Use the prior alone and ignore measured k-space data
    • Combine the learned score prior with the measurement constraint during posterior sampling
    • Replace all measurements with random noise
    • Treat the score as a diagnosis of the patient