Quiz o wariacyjnych autoenkoderach

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Co koder w VAE wysyła na dane wejście?
   • Parametry rozkładu prawdopodobieństwa, takie jak średnia i wariancja
   • Pojedynczy stały punkt w przestrzeni utajonej
   • Etykieta klasy
   • Zrekonstruowana kopia wejścia
2. Jaki jest cel sztuczki z reparametryzacją?
   • Aby powiększyć dekoder
   • Aby umożliwić przepływ gradientów przez etap losowego próbkowania
   • Aby wyeliminować potrzebę dekodera
   • Aby jeszcze bardziej skompresować ukrytą przestrzeń
3. 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
4. Funkcja celu, którą VAE maksymalizują podczas treningu, nazywa się:
   • Sufit krzyżowo-entropijny
   • Kontrawersyjna strata
   • Średni kwadratowy margines
   • Dolna granica dowodu (ELBO)
5. 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
6. Jaką rolę odgrywa VAE w modelu dyfuzji ukrytej, takiej jak stabilna dyfuzja?
   • Oznacza obrazy szkoleniowe
   • Kompresuje obrazy do ukrytej przestrzeni, w której przebiega dyfuzja, a następnie dekoduje z powrotem do pikseli
   • Zastępuje koder tekstu
   • Planuje poziomy hałasu
7. 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
8. 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)