Gids-gekoppelde quiz · Moeilijk Niveau
Bayesiaanse diepgaande leerquiz
Verken Bayesiaanse netwerken, onzekere gewichten, posterieure benaderingen, Monte Carlo-dropout en betrouwbaarheidskalibratie op gehouden data.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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