Викторина по вариационным автоэнкодерам

Ответы и пояснения появляются по мере прохождения теста.

1. Что выводит кодер в VAE для данного входа?
   • Параметры распределения вероятностей, такие как среднее значение и дисперсия.
   • Единственная фиксированная точка в скрытом пространстве
   • Метка класса
   • Восстановленная копия ввода
2. Какова цель трюка с перепараметризацией?
   • Чтобы сделать декодер больше
   • Чтобы градиенты могли проходить через этап случайной выборки
   • Чтобы исключить необходимость в декодере
   • Чтобы еще больше сжать скрытое пространство
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. Целевая функция, которую VAE максимизируют во время обучения, называется:
   • Потолок перекрестной энтропии
   • Состязательный проигрыш
   • Среднеквадратичная маржа
   • Нижняя граница доказательств (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. Какую роль играет VAE в модели скрытой диффузии, такой как стабильная диффузия?
   • Он маркирует обучающие изображения
   • Он сжимает изображения в скрытое пространство, где происходит диффузия, а затем декодирует обратно в пиксели.
   • Он заменяет текстовый кодер
   • Он планирует уровень шума
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)