Викторина «Сети штата Эхо и расчеты резервуаров»

Ответы и пояснения появляются по мере прохождения теста.

1. Какие веса на самом деле обучаются в сети состояний эха?
   • Только выходные (считываемые) веса
   • Все повторяющиеся гири внутри резервуара
   • Только входные веса
   • Никакие веса никогда не тренируются
2. Which condition expresses the echo state property for two runs with the same input history?
   • Their recurrent weights must all be trained by backpropagation
   • Their reservoir states eventually become independent of different initial states
   • Their output weights must have spectral radius exactly one
   • Their hidden states must equal the raw input at every step
3. Почему обучение ESN происходит намного быстрее, чем обучение стандартного LSTM?
   • ESN вообще не используют нейроны
   • ESN работают только на квантовых компьютерах
   • ESN избегают обратного распространения ошибки во времени, решая только линейное считывание.
   • ESN не требуют входных данных
4. How is spectral radius commonly used when tuning an echo-state reservoir?
   • It directly sets the number of readout classes
   • It guarantees fading memory for every recurrent matrix
   • It measures the number of trainable reservoir weights
   • It is a recurrent-feedback scale heuristic for balancing rich dynamics and stability, not a complete guarantee of the echo state property
5. Кем были представлены машины с жидкими состояниями, разновидность резервуарных вычислений с использованием импульсных нейронов?
   • Вольфганг Маасс
   • Джеффри Хинтон
   • Эндрю Нг
   • Йошуа Бенджио
6. What does the fixed reservoir compute before the ESN readout produces an output?
   • A normalized probability over all possible weights
   • A high-dimensional dynamic state representation of recent inputs
   • A learned transition table for every future sequence
   • A separate trained policy for each output class
7. What method is commonly used to fit an Echo State Network’s readout weights?
   • Backpropagation through all fixed recurrent weights
   • Dynamic routing by agreement
   • Linear least-squares regression, often with ridge regularization
   • A softmax over reservoir eigenvalues
8. What does the spectral radius of a recurrent weight matrix mean?
   • The sum of all matrix entries
   • The number of nonzero output weights
   • The average magnitude of the input sequence
   • The largest absolute value among its eigenvalues