Gids-gekoppelde quiz · Moeilijk Niveau

Bayesiaanse diepgaande leerquiz

Verken Bayesiaanse netwerken, onzekere gewichten, posterieure benaderingen, Monte Carlo-dropout en betrouwbaarheidskalibratie op gehouden data.

Gerelateerde gidspadenBayesiaans diep leren
Vraag 1 van 8

Hoe gaat een Bayesiaans neuraal netwerk anders om met zijn gewichten dan een standaard netwerk?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Hoe gaat een Bayesiaans neuraal netwerk anders om met zijn gewichten dan een standaard netwerk?
    • Het behandelt elk gewicht als een kansverdeling in plaats van als een enkele vaste waarde
    • Het gebruikt geheeltallige gewichten in plaats van decimalen
    • Het verwijdert gewichten volledig
    • Het deelt één gewicht over alle lagen
  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. Waarom zijn benaderingen zoals variatie-inferentie of MCMC nodig?
    • Omdat neurale netwerken geen verliesfunctie hebben
    • Omdat GPU's geen optelling kunnen doen
    • Omdat gewichten gehele getallen moeten zijn
    • Omdat het exacte posterieure over miljoenen gewichten computationeel lastig is
  5. Wat doet uitval in Monte Carlo om de onzekerheid in te schatten?
    • Houdt de uitval actief tijdens de test en laat het netwerk vele malen draaien, gebruikmakend van de spreiding van de uitgangen
    • Schakelt uitval uit en traint langer
    • Verwijdert alle neuronen permanent
    • Vervangt het verlies door willekeurige ruis
  6. Variationele inferentie herformuleert posterieure schatting als wat voor soort probleem?
    • Een sorteerprobleem
    • Een optimalisatieprobleem dat KL-divergentie minimaliseert (via de ELBO)
    • Een puur willekeurig steekproefprobleem zonder doel
    • Een hardwareontwerpprobleem
  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