Questionário Bayesiano de Aprendizado Profundo

As respostas e explicações aparecem conforme você responde ao teste.

1. Como uma rede neural bayesiana trata seus pesos de maneira diferente de uma rede padrão?
   • Ele trata cada peso como uma distribuição de probabilidade em vez de um único valor fixo
   • Ele usa pesos inteiros em vez de decimais
   • Remove pesos completamente
   • Ele compartilha um peso em todas as camadas
2. 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
3. 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
4. Por que são necessárias aproximações como inferência variacional ou MCMC?
   • Porque as redes neurais não têm função de perda
   • Porque as GPUs não podem fazer adição
   • Porque os pesos devem ser inteiros
   • Porque o posterior exato sobre milhões de pesos é computacionalmente intratável
5. O que o abandono de Monte Carlo faz para estimar a incerteza?
   • Mantém o dropout ativo no momento do teste e executa a rede diversas vezes, utilizando o espalhamento das saídas
   • Desliga o abandono e treina por mais tempo
   • Remove todos os neurônios permanentemente
   • Substitui a perda por ruído aleatório
6. A inferência variacional reformula a estimativa posterior como que tipo de problema?
   • Um problema de classificação
   • Um problema de otimização que minimiza a divergência KL (via ELBO)
   • Um problema de amostragem aleatória pura sem objetivo
   • Um problema de design de hardware
7. 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
8. 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