베이지안 딥러닝 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 베이지안 신경망은 표준 신경망과 어떻게 가중치를 다르게 처리합니까?
   • 각 가중치를 단일 고정 값이 아닌 확률 분포로 처리합니다.
   • 소수 대신 정수 가중치를 사용합니다.
   • 무게를 완전히 제거합니다.
   • 모든 레이어에서 하나의 가중치를 공유합니다.
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. 변분 추론이나 MCMC와 같은 근사치가 필요한 이유는 무엇입니까?
   • 신경망에는 손실 함수가 없기 때문에
   • GPU는 덧셈을 할 수 없기 때문에
   • 가중치는 정수여야 하므로
   • 수백만 개의 가중치에 대한 정확한 사후값은 계산상 다루기 어렵기 때문입니다.
5. 불확실성을 추정하기 위해 몬테카를로 드롭아웃은 무엇을 합니까?
   • 테스트 시 드롭아웃을 활성 상태로 유지하고 출력 확산을 사용하여 네트워크를 여러 번 실행합니다.
   • 드롭아웃을 끄고 더 오래 훈련합니다.
   • 모든 뉴런을 영구적으로 제거합니다.
   • 손실을 무작위 노이즈로 대체합니다.
6. 변형 추론은 사후 추정을 어떤 종류의 문제로 재구성합니까?
   • 정렬 문제
   • KL 발산을 최소화하는 최적화 문제(ELBO를 통해)
   • 목적이 없는 순수 무작위 샘플링 문제
   • 하드웨어 설계 문제
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