확률 교정 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 예측 중 80% 신뢰도로 라벨이 지정된 경우 모델이 잘 보정된 것입니다. 이벤트가 발생합니다.
   • 약 80%의 시간
   • 100% 항상
   • 약 20%의 시간
   • 정확히 한 번
2. 온도 스케일링은 신경망의 출력에 어떤 영향을 미치나요?
   • 예측되는 클래스 변경
   • 소프트맥스 이전에 학습된 스칼라로 로짓을 나누어 신뢰도를 조정합니다.
   • 훈련 라벨에 노이즈를 추가합니다.
   • 네트워크를 처음부터 다시 훈련합니다.
3. 신뢰성 다이어그램은 무엇을 구성합니까?
   • 훈련 손실 대 에포크
   • 모델 크기와 정확도
   • 예측 확률 대 관찰 빈도
   • 학습률과 배치 크기 비교
4. 예상 교정 오류(ECE) 측정:
   • 모델의 상위 1개 정확도
   • 모델의 매개변수 수
   • 그라디언트의 변화
   • Bin 전체의 신뢰도와 정확도 사이의 가중 평균 격차
5. 최신 심층 신경망은 다음과 같이 가장 자주 설명됩니다.
   • 과신하다
   • 자신감이 부족하다
   • 기본적으로 완벽하게 보정됨
   • 확률을 출력할 수 없습니다.
6. 매우 정확한 모델에도 여전히 보정이 필요한 이유는 무엇입니까?
   • 정확한 모델에는 항상 교정 오류가 없습니다.
   • 정확도와 교정은 별개의 속성입니다.
   • 교정은 회귀에만 중요합니다.
   • 정확성은 정직한 확률을 보장합니다.
7. On which data is temperature scaling typically fit in the guide’s calibration workflow?
   • The final test set using classification accuracy
   • Only the training labels without model outputs
   • A held-out validation set using negative log-likelihood
   • The model’s hidden weights using mean squared error
8. Why can temperature scaling improve calibration without changing top-1 accuracy?
   • It changes the model’s predicted class labels randomly
   • It retrains the feature extractor
   • It replaces every logit with the same value
   • Dividing logits by a positive scalar changes confidence but preserves their ordering