Quiz o autoenkoderach

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaki jest cel „wąskiego gardła” (kodu ukrytego) w autoenkoderze?
   • Zmuszenie sieci do zwartej reprezentacji, która oddaje zasadniczą strukturę
   • Aby dodać więcej parametrów i zwiększyć pojemność modelu
   • Do przechowywania etykiet dla nadzorowanej klasyfikacji
   • Aby spowolnić trening dla lepszej stabilności
2. Dlaczego autoenkodery uważa się za samonadzorowane?
   • Wymagają ogromnych, oznakowanych zbiorów danych
   • Celem szkoleniowym jest sam wkład, dlatego nie są potrzebne żadne zewnętrzne etykiety
   • Człowiek oznacza każdą rekonstrukcję ręcznie
   • Działają tylko na wstępnie sklasyfikowanych obrazach
3. Czym różni się autoenkoder odszumiający od standardowego?
   • Całkowicie usuwa dekoder
   • Działa tylko z danymi tekstowymi
   • Jest przeszkolony w zakresie rekonstrukcji czystych danych wejściowych z uszkodzonej wersji
   • Nie wymaga warstwy wąskiego gardła
4. Co sprawia, że wariacyjny autoenkoder (VAE) jest w stanie generować nowe dane?
   • Zapamiętuje każdy przykład treningu
   • Nie używa dekodera
   • Zastępuje sieci neuronowe drzewami decyzyjnymi
   • Uczy się gładkiej, probabilistycznej przestrzeni ukrytej, z której możesz próbkować
5. Którą technikę klasyczną bardzo przypomina liniowy autoenkoder wyszkolony z błędem średniokwadratowym?
   • Analiza głównych składowych (PCA)
   • K-oznacza grupowanie
   • Drzewa decyzyjne
   • Regresja logistyczna
6. Dlaczego autoenkodery dobrze nadają się do wykrywania anomalii?
   • Podczas treningu etykietują anomalie
   • Dobrze rekonstruują typowe wzorce, ale wykazują duże błędy w przypadku rzadkich, niewidocznych wzorców
   • Całkowicie ignorują błąd rekonstrukcji
   • Generują jedynie klasyfikacje binarne
7. Which reconstruction loss does the guide associate with binary-pixel data?
   • Potrójna utrata marży
   • Temporal-difference error
   • Cross-entropy
   • Cosine annealing loss
8. 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