에너지 기반 모델 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 에너지 기반 모델에서 에너지는 데이터 포인트의 확률과 어떤 관련이 있습니까?
   • 에너지가 높다는 것은 확률이 높다는 것을 의미합니다
   • 낮은 에너지는 높은 확률을 의미합니다(p(x)는 exp(-E(x))에 비례함)
   • 에너지와 확률은 관련이 없습니다
   • 확률은 에너지와 직접적으로 같습니다
2. 에너지 기반 모델 훈련을 어렵게 만드는 것은 무엇입니까?
   • 에너지 함수는 신경망이 될 수 없습니다.
   • 레이블이 지정된 데이터만 필요합니다.
   • 이미지를 표현할 수 없습니다.
   • 분할 함수 Z(모든 입력에 대한 정규화 도구)는 일반적으로 계산하기 어렵습니다.
3. EBM에서 샘플을 추출하는 데 일반적으로 사용되는 샘플링 방법은 무엇입니까?
   • Langevin 역학(경사 기반 MCMC)
   • 빔 검색
   • 퀵소트
   • 싱글 포워드 패스
4. 점수 매칭과 같은 방법이 분할 함수 Z 계산을 피할 수 있는 이유는 무엇입니까?
   • Z는 항상 1이기 때문에
   • 에너지 기능을 무시하기 때문에
   • log p(x)의 기울기는 E(x)의 -gradient이고 미분할 때 Z(x의 상수)가 누락되기 때문입니다.
   • 왜냐하면 그들은 개별 데이터에만 작동하기 때문입니다.
5. 다음 중 고전적인 에너지 기반 모델은 무엇입니까?
   • 트랜스포머
   • 의사결정 트리
   • k-평균 알고리즘
   • 홉필드 네트워크
6. For a differentiable EBM density with Z constant in x, how does its score relate to energy?
   • The score equals the partition function itself
   • The score equals the negative input gradient of energy
   • The score ignores the learned energy entirely
   • The score is always the positive energy gradient
7. An EBM adds the same constant c to every E(x). What happens to normalized probabilities?
   • Every probability increases by c
   • All inputs become equally probable
   • They remain unchanged after the partition function is adjusted
   • The normalizer must be set to zero
8. For two configurations with E(a) lower than E(b), what follows under the same normalized Gibbs model?
   • Configuration a has greater probability than b
   • Configuration b has greater probability because its energy is higher
   • Both probabilities must be exactly one
   • The comparison requires different partition functions for each point