ガウス過程クイズ

クイズに答えると、答えと解説が表示されます。

1. ガウス過程は何に関する確率分布を定義しますか?
   • 機能
   • 個々のデータポイントのみ
   • 離散クラスラベル
   • ニューラルネットワークの重み
2. Beyond a point estimate, what does a Gaussian Process return under its chosen kernel and noise assumptions?
   • Only an exact parameter vector
   • A posterior predictive distribution with an uncertainty estimate
   • A guaranteed calibrated interval under any model mismatch
   • A deterministic label with no variance
3. カーネル (共分散関数) は GP でどのような役割を果たしますか?
   • トレーニングデータにラベルを付けます
   • トレーニングデータが不要になります
   • 近くの入力に対する出力がどの程度類似しているかをエンコードします
   • 学習率を設定します
4. 標準的なガウス過程が非常に大規模なデータセットで苦労するのはなぜですか?
   • 非線形関数を表すことはできません
   • ラベル付きクラスが必要です
   • 彼らは訓練データを完全に無視します
   • カーネル行列の反転には、約 n の 3 乗の時間がかかります
5. 長さスケールなどの GP ハイパーパラメータは通常どのように選択されますか?
   • 限界尤度を最大化することで
   • ランダムな推測により
   • データポイントの数を最小限に抑えることにより、
   • それらは常に固定されており、調整されることはありません
6. ガウス プロセスがコア コンポーネントとなっている一般的な技術はどれですか?
   • 畳み込み画像分類
   • ハイパーパラメータ調整のためのベイジアン最適化
   • テキストのトークン化
   • 深いネットワークを介した逆伝播
7. Which kernel is described in the guide as smoother than the Matérn alternative?
   • A unigram frequency kernel
   • A transition-probability kernel
   • The RBF (squared exponential) kernel
   • The Viterbi kernel
8. Why can a GP’s predictive uncertainty widen far from training observations?
   • The model adds more observed labels automatically
   • The mean function becomes a neural network
   • The kernel matrix becomes smaller than zero
   • There is less nearby data constraining the function under the selected covariance assumptions