Gids-gekoppelde quiz · Moeilijk Niveau

Op scores gebaseerde generatieve modellenquiz

Testscorefuncties, het verwijderen van ruis bij het matchen van scores, Langevin-sampling en de omgekeerde SDE-weergave van gegevensgeneratie op basis van ruis.

Vraag 1 van 8

Wat is precies de ‘score’ die deze modellen leren?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat is precies de ‘score’ die deze modellen leren?
    • De gradiënt van de log-waarschijnlijkheidsdichtheid ten opzichte van de invoer
    • Een kwaliteitsbeoordeling van 0 tot 100 voor elke afbeelding
    • Het aantal voltooide trainingstijdvakken
    • Het classificatielabel van het gegevenspunt
  2. Waarom worden op scores gebaseerde modellen getraind op gegevens die zijn beschadigd door ruis op meerdere schalen?
    • Om de afbeeldingen er artistiek uit te laten zien
    • Omdat de score moeilijk in te schatten is waar schone data schaars zijn, en ruis in die gebieden opvult
    • Om de bestandsgrootte van de gegevensset te verkleinen
    • Omdat ruis de GPU versnelt
  3. Welke steekproefprocedure gebruikten vroege op scores gebaseerde modellen om gegevens te genereren?
    • Gradiëntafdaling van de pixels naar een vast doelbeeld
    • Een enkele matrixvermenigvuldiging
    • Langevin-dynamiek — langs de partituur stappen terwijl je ruis toevoegt
    • Willekeurig bijsnijden en omdraaien
  4. Welk belangrijk verband werd in het score-SDE-paper 2021 gelegd?
    • Dat GAN's altijd beter zijn dan diffusie
    • Dat neurale netwerken geen afbeeldingen kunnen modelleren
    • Die scoremodellen werken alleen in twee dimensies
    • Dat diffusiemodellen en op scores gebaseerde modellen twee visies zijn op hetzelfde continue SDE-proces
  5. Hoe verhoudt het voorspellen van ruis zich tot het voorspellen van de score bij het denoiseren van scorematching?
    • Het conditionele ontruisings-score-doel is −ε/σ voor gestandaardiseerde Gaussiaanse ruis; het model schat de score van de ruisachtige data
    • Ruisvoorspelling en scoreschatting zijn ongerelateerd
    • Geluid voorspellen is onmogelijk
    • De score is altijd nul voor geruisde gegevens
  6. Wat maakt de deterministische 'probability flow ODE' mogelijk dat pure stochastische bemonstering niet gemakkelijk oplevert?
    • Hoger GPU-stroomverbruik
    • Exacte waarschijnlijkheidsberekening en een deterministisch bemonsteringspad
    • Automatische datasetlabeling
    • Het wegnemen van de noodzaak voor een neuraal netwerk
  7. Wat doet de SDE in omgekeerde tijd bij op score gebaseerde generatie?
    • Het converteert afbeeldingslabels naar bijschriften
    • Het voegt alleen ruis toe aan een reeds gegenereerde uitvoer
    • Het transformeert een prior-ruisverdeling terug naar de datadistributie
    • Het schat het klassenlabel van elke pixel
  8. Hoe kan een geleerde afbeeldingsprior bij een op score gebaseerde MRI-reconstructiemethode helpen bij het herstellen van een ondergesamplede scan?
    • Gebruik alleen de prior en negeer gemeten k-ruimtegegevens
    • Combineer de geleerde score-prior met de meetbeperking tijdens posterieure sampling
    • Vervang alle metingen door willekeurige ruis
    • Beschouw de score als een diagnose van de patiënt