Test legat de ghid · Mediu Nivel
Test pentru codificatoare automate
Verifică țintele de reconstrucție, compresia latentă, dezgomotul, caracteristicile neliniare și diferențele dintre autoencoderele standard și variaționale.
Întrebare 1 de 8
Care este scopul „gâtului de sticlă” (codul latent) într-un autoencoder?
Previzualizează fiecare întrebare8 întrebări
Răspunsurile și explicațiile apar pe măsură ce susțineți testul.
- Care este scopul „gâtului de sticlă” (codul latent) într-un autoencoder?
- Pentru a forța rețeaua într-o reprezentare compactă care surprinde structura esențială
- Pentru a adăuga mai mulți parametri și pentru a crește capacitatea modelului
- Pentru a stoca etichetele pentru clasificarea supravegheată
- Pentru a încetini antrenamentul pentru o mai bună stabilitate
- De ce autoencoderele sunt considerate auto-supravegheate?
- Au nevoie de seturi de date uriașe etichetate
- Ținta de antrenament este intrarea în sine, deci nu sunt necesare etichete externe
- Un om etichetează fiecare reconstrucție manual
- Ele funcționează doar pe imagini pre-clasificate
- Cum diferă un autoencoder cu dezgomot de unul standard?
- Îndepărtează complet decodorul
- Funcționează doar cu date text
- Este antrenat pentru a reconstrui o intrare curată dintr-o versiune coruptă
- Nu necesită un strat de blocaj
- Ce face ca un autoencoder variațional (VAE) să poată genera date noi?
- Memorează fiecare exemplu de antrenament
- Nu folosește nici un decodor
- Înlocuiește rețelele neuronale cu arbori de decizie
- Învață un spațiu latent neted, probabilistic din care poți eșantiona
- Un autoencoder liniar antrenat cu eroare medie pătrată seamănă foarte mult cu ce tehnică clasică?
- Analiza componentelor principale (PCA)
- K înseamnă grupare
- Arbori de decizie
- Regresia logistică
- De ce sunt autoencoderele potrivite pentru detectarea anomaliilor?
- Ei etichetează anomaliile în timpul antrenamentului
- Ele reconstruiesc bine modelele comune, dar prezintă erori mari pe modele rare, nevăzute
- Ei ignoră complet eroarea de reconstrucție
- Ei produc doar clasificări binare
- Which reconstruction loss does the guide associate with binary-pixel data?
- Pierderea marjei tripletului
- Temporal-difference error
- Cross-entropy
- Cosine annealing loss
- 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