Gids-gekoppelde quiz · Middelmatig Niveau
Variationele Autoencoders Quiz
Beoordeel VAE-distributies, herparameterisatie, KL-regularisatie, ELBO-training, bemonstering en gebruik van latente diffusie. Controleer bewijsmateriaal en reikwijdte.
Vraag 1 van 8
Wat doet de encoder in een VAE-uitgang voor een bepaalde ingang?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat doet de encoder in een VAE-uitgang voor een bepaalde ingang?
- De parameters van een kansverdeling, zoals een gemiddelde en variantie
- Een enkel vast punt in de latente ruimte
- Een klassenlabel
- Een gereconstrueerde kopie van de invoer
- Wat is het doel van de herparameterisatietruc?
- Om de decoder groter te maken
- Om gradiënten door de willekeurige bemonsteringsstap te laten stromen
- Om de noodzaak van een decoder weg te nemen
- Om de latente ruimte verder te comprimeren
- In the standard Gaussian VAE formulation, what does the KL term encourage?
- The decoder to predict future input tokens
- The encoder to remove all randomness
- The approximate posterior to stay close to the chosen prior, commonly a standard normal
- Every latent variable to have the same observed value
- De objectieve functie die VAE's maximaliseren tijdens training wordt de:
- Cross-entropie plafond
- Tegenstrijdig verlies
- Gemiddelde vierkante marge
- Bewijsondergrens (ELBO)
- In a Gaussian VAE, what enables generation of a new sample?
- Sample a latent from the prior and decode it with the learned decoder
- Copy a training image directly without a model
- Run the encoder backward with no latent sampling
- Choose a random class label without decoding
- Welke rol speelt de VAE in een latent diffusiemodel als Stabiele Diffusie?
- Het labelt de trainingsafbeeldingen
- Het comprimeert afbeeldingen naar een latente ruimte waar diffusie plaatsvindt en decodeert vervolgens terug naar pixels
- Het vervangt de tekstencoder
- Het plant de geluidsniveaus
- In variational inference, what does the ELBO provide for the marginal log likelihood log p(x)?
- An exact value of log p(x) for every model
- A guarantee that each generated sample is realistic
- A tractable lower bound that can be maximized instead of directly maximizing log p(x)
- A posterior distribution that requires no inference model
- What distribution does a VAE decoder model given a latent vector?
- The encoder’s approximate posterior q(z|x)
- The training set’s class-frequency histogram only
- The optimizer’s learning-rate schedule
- The likelihood of an observation conditioned on that latent, p(x|z)