Kuiz Pembelajaran Dalam Bayesian

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. Bagaimanakah rangkaian neural Bayesian merawat beratnya secara berbeza daripada yang standard?
   • Ia menganggap setiap berat sebagai taburan kebarangkalian dan bukannya satu nilai tetap
   • Ia menggunakan pemberat integer dan bukannya perpuluhan
   • Ia menghilangkan berat sepenuhnya
   • Ia berkongsi satu berat pada semua lapisan
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. Mengapakah anggaran seperti inferens variasi atau MCMC diperlukan?
   • Kerana rangkaian saraf tidak mempunyai fungsi kehilangan
   • Kerana GPU tidak boleh melakukan penambahan
   • Kerana pemberat mestilah integer
   • Kerana bahagian belakang yang tepat melebihi berjuta-juta berat adalah sukar dikira
5. Apakah yang dilakukan oleh keciciran Monte Carlo untuk menganggarkan ketidakpastian?
   • Memastikan keciciran aktif pada masa ujian dan menjalankan rangkaian berkali-kali, menggunakan sebaran output
   • Mematikan keciciran dan berlatih lebih lama
   • Mengeluarkan semua neuron secara kekal
   • Menggantikan kehilangan dengan bunyi rawak
6. Inferens variasi membingkaikan semula anggaran posterior sebagai masalah apakah?
   • Masalah pengisihan
   • Masalah pengoptimuman yang meminimumkan perbezaan KL (melalui ELBO)
   • Masalah persampelan rawak tulen tanpa objektif
   • Masalah reka bentuk perkakasan
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