Test Bayesian de învățare profundă

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Cum tratează o rețea neuronală bayesiană greutățile în mod diferit față de una standard?
   • Ea tratează fiecare pondere ca o distribuție de probabilitate, mai degrabă decât o singură valoare fixă
   • Folosește ponderi întregi în loc de zecimale
   • Îndepărtează greutățile în întregime
   • Împarte o greutate în toate straturile
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. De ce sunt necesare aproximări precum inferența variațională sau MCMC?
   • Pentru că rețelele neuronale nu au nicio funcție de pierdere
   • Pentru că GPU-urile nu pot face adaos
   • Pentru că greutățile trebuie să fie numere întregi
   • Pentru că posteriorul exact de peste milioane de greutăți este insolubil din punct de vedere computațional
5. Ce face abandonul Monte Carlo pentru a estima incertitudinea?
   • Menține renunțarea activă în timpul testului și rulează rețeaua de mai multe ori, folosind răspândirea ieșirilor
   • Oprește abandonul și se antrenează mai mult
   • Îndepărtează toți neuronii definitiv
   • Înlocuiește pierderea cu zgomot aleatoriu
6. Inferența variațională reformulează estimarea posterioară ca ce fel de problemă?
   • O problemă de sortare
   • O problemă de optimizare care minimizează divergența KL (prin ELBO)
   • O problemă pură de eșantionare aleatorie fără obiectiv
   • O problemă de design 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