ガイド連動クイズ · ハード レベル

フローマッチングクイズ

フロー マッチングの学習済みベクトル フィールド、条件付きパス、ODE サンプリング、拡散ベースの生成との関係を調べます。

関連するガイドパスフローマッチング
質問 1 の 8

フロー マッチング モデルは何を予測するために直接学習しますか?

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

  1. フロー マッチング モデルは何を予測するために直接学習しますか?
    • サンプルをノイズからデータに移動させる速度フィールド
    • 各画像の分類ラベル
    • 画像の圧縮された JPEG バイト
    • ピクセル値の固定ルックアップ テーブル
  2. トレーニングされたフロー マッチング モデルからサンプルはどのように生成されるのでしょうか?
    • 離散マルコフ語連鎖をサンプリングすることによって
    • 学習した速度場をノイズから開始する ODE ソルバーと統合することによって
    • 入力画像に対して勾配降下法を実行することによって
    • トレーニングセット全体を平均することにより
  3. 条件付きフローマッチング損失をトレーニングしやすくするものは何でしょうか?
    • データを完全に無視します
    • 限界フィールド全体を解析的に解く必要があります
    • 単一のデータ ポイントを条件とし、単純な既知の内挿パスを使用します。
    • 一度に 1 つの画像に対してのみ永久に機能します
  4. 「整流フロー」バリアントを使用すると、なぜより高速な生成が可能になるのでしょうか?
    • より大規模なニューラルネットワークを使用します
    • トレーニングを完全にスキップします
    • 最初に画像をテキストに変換します
    • 確率パスを直線化するので、必要な ODE ソルバーのステップが少なくなります。
  5. Which named image model’s paper explicitly describes a rectified-flow transformer?
    • Stable Diffusion 3
    • Flux, as established by the cited source set
    • レスネット-50
    • YOLOv8
  6. 条件付きフロー マッチングでは、時間 t におけるノイズ サンプルとデータ サンプルの間の一般的な補間は何ですか?
    • ピクセルのランダムなシャッフル
    • x_t = (1-t)*ノイズ + t*データ、直線ブレンド
    • すべてのピクセル値を二乗する
    • ピクセルを明るさで並べ替える
  7. In conditional flow matching, how is the marginal vector field related to conditional vector fields?
    • It is the largest vector in the training batch
    • It is a fixed class label independent of time
    • It is the conditional expectation of the conditional vector field over the conditioning variable
    • It is the average pixel value of the data
  8. Beyond generative modeling, what other task does the original rectified-flow paper describe?
    • Speech diarization with speaker embeddings
    • Classifying handwritten digits from labels alone
    • Predicting calendar availability
    • Data or domain transfer between distributions