흐름 매칭 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 흐름 매칭 모델은 예측을 위해 무엇을 직접 학습합니까?
   • 샘플을 노이즈에서 데이터로 이동시키는 속도장
   • 각 이미지의 분류 라벨
   • 이미지의 압축된 JPEG 바이트
   • 픽셀 값의 고정 조회 테이블
2. 훈련된 흐름 일치 모델에서 샘플은 어떻게 생성됩니까?
   • 이산 마르코프 단어 체인을 샘플링하여
   • 학습된 속도장을 잡음에서 시작하는 ODE 솔버와 통합함으로써
   • 입력 이미지에 대해 경사하강법을 실행하여
   • 전체 훈련 세트를 평균하여
3. 조건부 흐름 일치 손실을 훈련하기 쉽게 만드는 이유는 무엇입니까?
   • 데이터를 완전히 무시합니다.
   • 전체 한계장을 분석적으로 해결해야 합니다.
   • 단일 데이터 포인트를 조건으로 하고 알려진 간단한 보간 경로를 사용합니다.
   • 영원히 한 번에 하나의 이미지에서만 작동합니다.
4. '수정된 흐름' 변형이 더 빠른 생성을 가능하게 하는 이유는 무엇입니까?
   • 더 큰 신경망을 사용합니다.
   • 훈련을 완전히 건너뜁니다.
   • 먼저 이미지를 텍스트로 변환합니다.
   • 확률 경로를 직선화하므로 필요한 ODE 풀이 단계가 줄어듭니다.
5. Which named image model’s paper explicitly describes a rectified-flow transformer?
   • Stable Diffusion 3
   • Flux, as established by the cited source set
   • ResNet-50
   • YOLOv8
6. 조건부 흐름 매칭에서 시간 t의 노이즈 샘플과 데이터 샘플 사이의 일반적인 보간은 무엇입니까?
   • 픽셀의 무작위 섞기
   • x_t = (1-t)*noise + t*data, 직선 혼합
   • 모든 픽셀 값을 제곱합니다.
   • 밝기를 기준으로 픽셀 정렬
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