ベイズ深層学習クイズ

クイズに答えると、答えと解説が表示されます。

1. ベイジアン ニューラル ネットワークでは、標準的なニューラル ネットワークとどのように重みが異なるのでしょうか?
   • 各重みを単一の固定値ではなく確率分布として扱います。
   • 小数の代わりに整数の重みを使用します
   • 重みを完全に取り除きます
   • すべてのレイヤーで 1 つの重みを共有します
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. 変分推論や MCMC などの近似がなぜ必要なのでしょうか?
   • ニューラルネットワークには損失関数がないため、
   • GPUは足し算ができないので
   • 重みは整数でなければならないため
   • 数百万の重みを超える正確な事後計算は計算上困難であるため
5. モンテカルロドロップアウトは不確実性を推定するために何をしますか?
   • テスト時にドロップアウトをアクティブに保ち、出力の分散を使用してネットワークを何度も実行します
   • ドロップアウトをオフにし、トレーニングを長くする
   • すべてのニューロンを永久に削除します
   • 損失をランダムノイズに置き換えます
6. 変分推論は事後推定をどのような問題として再構成しますか?
   • 並べ替えの問題
   • KL 発散を最小限に抑える最適化問題 (ELBO 経由)
   • 目的のない純粋なランダムサンプリング問題
   • ハードウェア設計の問題
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