Questionário de modelos generativos baseados em pontuação

As respostas e explicações aparecem conforme você responde ao teste.

1. Qual é exatamente a 'pontuação' que esses modelos aprendem?
   • O gradiente da densidade log-probabilidade em relação à entrada
   • Uma classificação de qualidade de 0 a 100 para cada imagem
   • O número de épocas de treinamento concluídas
   • O rótulo de classificação do ponto de dados
2. Por que os modelos baseados em pontuação são treinados em dados corrompidos com ruído em múltiplas escalas?
   • Para fazer com que as imagens pareçam artísticas
   • Porque é difícil estimar a pontuação onde os dados limpos são escassos e o ruído preenche essas regiões
   • Para reduzir o tamanho do arquivo do conjunto de dados
   • Porque o ruído acelera a GPU
3. Qual procedimento de amostragem os primeiros modelos baseados em pontuação usaram para gerar dados?
   • Descida gradiente nos pixels em direção a uma imagem de destino fixa
   • Uma única multiplicação de matriz
   • Dinâmica de Langevin – avançando na partitura enquanto adiciona ruído
   • Corte e inversão aleatórios
4. Que conexão principal o documento score-SDE de 2021 estabeleceu?
   • Que GANs são sempre melhores que difusão
   • Que as redes neurais não podem modelar imagens
   • Esses modelos de pontuação funcionam apenas em duas dimensões
   • Que os modelos de difusão e os modelos baseados em pontuação são duas visões do mesmo processo SDE contínuo
5. Como a previsão do ruído se relaciona com a previsão da pontuação na correspondência de pontuação de remoção de ruído?
   • A meta de pontuação de remoção de ruído condicional é −ε/σ para ruído gaussiano padronizado; o modelo estima a pontuação de dados ruidosos
   • A previsão de ruído e a estimativa de pontuação não estão relacionadas
   • Prever ruído é impossível
   • A pontuação é sempre zero para dados com ruído
6. O que a 'EDO de fluxo de probabilidade' determinística permite que a amostragem estocástica pura não fornece facilmente?
   • Maior consumo de energia da GPU
   • Cálculo de probabilidade exata e um caminho de amostragem determinístico
   • Rotulagem automática de conjunto de dados
   • Remoção da necessidade de qualquer rede neural
7. Na geração baseada em pontuação, o que faz o SDE de tempo reverso?
   • Ele converte rótulos de imagens em legendas
   • Adiciona ruído apenas a uma saída já gerada
   • Ele transforma uma distribuição de ruído anterior de volta à distribuição de dados
   • Ele estima o rótulo da classe de cada pixel
8. Em um método de reconstrução de ressonância magnética baseado em pontuação, como uma imagem aprendida anteriormente pode ajudar a recuperar uma varredura com amostragem insuficiente?
   • Use apenas o anterior e ignore os dados medidos do espaço k
   • Combine a pontuação aprendida antes com a restrição de medição durante a amostragem posterior
   • Substitua todas as medições por ruído aleatório
   • Trate a pontuação como um diagnóstico do paciente