Gids-gekoppelde quiz · Middelmatig Niveau
Autoencoders-quiz
Controleert reconstructiedoelen, latente compressie, ruisonderdrukking, niet-lineaire kenmerken en de verschillen tussen standaard- en variatie-autoencoders.
Vraag 1 van 8
Wat is het doel van de 'bottleneck' (latente code) in een autoencoder?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat is het doel van de 'bottleneck' (latente code) in een autoencoder?
- Om het netwerk te dwingen tot een compacte representatie die de essentiële structuur vastlegt
- Om meer parameters toe te voegen en de modelcapaciteit te vergroten
- Om labels op te slaan voor gecontroleerde classificatie
- Om de training te vertragen voor een betere stabiliteit
- Waarom worden autoencoders als zelfbeheerd beschouwd?
- Ze vereisen enorme gelabelde datasets
- Het trainingsdoel is de invoer zelf, er zijn dus geen externe labels nodig
- Een mens labelt elke reconstructie met de hand
- Ze werken alleen op vooraf geclassificeerde afbeeldingen
- Waarin verschilt een ruisonderdrukkingsautoencoder van een standaardautoencoder?
- Het verwijdert de decoder volledig
- Het werkt alleen met tekstgegevens
- Het is getraind om een schone invoer van een beschadigde versie te reconstrueren
- Er is geen knelpuntlaag nodig
- Wat zorgt ervoor dat een Variational Autoencoder (VAE) nieuwe gegevens kan genereren?
- Het onthoudt elk trainingsvoorbeeld
- Er wordt geen decoder gebruikt
- Het vervangt neurale netwerken door beslissingsbomen
- Het leert een vloeiende, probabilistische latente ruimte kennen waaruit u kunt samplen
- Op welke klassieke techniek lijkt een lineaire autoencoder die is getraind met een gemiddelde kwadratische fout sterk op?
- Hoofdcomponentenanalyse (PCA)
- K-betekent clustering
- Beslisbomen
- Logistieke regressie
- Waarom zijn autoencoders goed geschikt voor het detecteren van afwijkingen?
- Ze labelen afwijkingen tijdens de training
- Ze reconstrueren algemene patronen goed, maar vertonen grote fouten in zeldzame, onzichtbare patronen
- Ze negeren reconstructiefouten volledig
- Ze voeren alleen binaire classificaties uit
- Which reconstruction loss does the guide associate with binary-pixel data?
- Triplet-margeverlies
- Temporal-difference error
- Cross-entropy
- Cosine annealing loss
- Why can nonlinear activations make an autoencoder more expressive than a linear one?
- They force the latent code to equal the input size
- They remove the decoder from the model
- They guarantee zero reconstruction error on unseen data
- They allow it to learn nonlinear or curved structures in the data