Test cu codificatoare automate variaționale

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Ce înseamnă codificatorul dintr-o ieșire VAE pentru o anumită intrare?
   • Parametrii unei distribuții de probabilitate, cum ar fi media și varianța
   • Un singur punct fix în spațiul latent
   • O etichetă de clasă
   • O copie reconstruită a intrării
2. Care este scopul trucului de reparametrizare?
   • Pentru a mări decodorul
   • Pentru a permite gradienților să curgă prin etapa de eșantionare aleatorie
   • Pentru a elimina necesitatea unui decodor
   • Pentru a comprima mai mult spațiul latent
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. Funcția obiectivă pe care VAE-urile o maximizează în timpul antrenamentului se numește:
   • Tavan cu entropie încrucișată
   • Pierderea adversară
   • Marja medie pătrată
   • Limită inferioară a dovezilor (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. Într-un model de difuzie latentă precum Stable Diffusion, ce rol joacă VAE?
   • Etichetează imaginile de antrenament
   • Comprimă imaginile într-un spațiu latent în care difuzează, apoi decodifică înapoi în pixeli
   • Acesta înlocuiește codificatorul de text
   • Programează nivelurile de zgomot
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)