แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ
แบบทดสอบแบบจำลองพลังงาน
ใช้ความน่าจะเป็นที่อิงพลังงาน ฟังก์ชันพาร์ติชัน และการไล่ระดับคะแนน รวมถึงวิธีที่พลังงานสัมพัทธ์กำหนดอัตราส่วนการกระจายแบบปกติ
คำถาม 1 ของ 8
ในแบบจำลองที่ใช้พลังงาน พลังงานเกี่ยวข้องกับความน่าจะเป็นของจุดข้อมูลอย่างไร
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- ในแบบจำลองที่ใช้พลังงาน พลังงานเกี่ยวข้องกับความน่าจะเป็นของจุดข้อมูลอย่างไร
- พลังงานสูงหมายถึงความน่าจะเป็นสูง
- พลังงานต่ำหมายถึงความน่าจะเป็นสูง (p(x) เป็นสัดส่วนกับ exp(-E(x)))
- พลังงานและความน่าจะเป็นไม่เกี่ยวข้องกัน
- ความน่าจะเป็นเท่ากับพลังงานโดยตรง
- อะไรทำให้การฝึกอบรมโมเดลที่เน้นพลังงานเป็นเรื่องยาก
- ฟังก์ชันพลังงานไม่สามารถเป็นโครงข่ายประสาทเทียมได้
- พวกเขาต้องการข้อมูลที่มีป้ายกำกับเท่านั้น
- พวกเขาไม่สามารถแสดงภาพได้
- ฟังก์ชันพาร์ติชัน Z (ตัวปรับมาตรฐานเหนืออินพุตทั้งหมด) มักจะยากต่อการคำนวณ
- โดยทั่วไปจะใช้วิธีสุ่มตัวอย่างใดเพื่อดึงตัวอย่างจาก EBM
- ไดนามิกของ Langevin (MCMC แบบไล่ระดับ)
- ค้นหาบีม
- เรียงลำดับด่วน
- ส่งต่อเพียงครั้งเดียว
- เหตุใดวิธีการเช่นการจับคู่คะแนนจึงสามารถหลีกเลี่ยงการคำนวณฟังก์ชันพาร์ติชัน Z ได้
- เพราะ Z เท่ากับ 1 เสมอ
- เพราะพวกเขาละเลยหน้าที่ของพลังงาน
- เนื่องจากการไล่ระดับสีของบันทึก p(x) คือ -การไล่ระดับสีของ E(x) และ Z (ค่าคงที่ในหน่วย x) จะหลุดออกมาเมื่อหาความแตกต่าง
- เนื่องจากทำงานเฉพาะกับข้อมูลที่ไม่ต่อเนื่องเท่านั้น
- ข้อใดต่อไปนี้คือโมเดลที่ใช้พลังงานแบบคลาสสิก
- หม้อแปลงไฟฟ้า
- ต้นไม้การตัดสินใจ
- อัลกอริธึมเคมีน
- เครือข่ายฮอปฟิลด์
- For a differentiable EBM density with Z constant in x, how does its score relate to energy?
- The score equals the partition function itself
- The score equals the negative input gradient of energy
- The score ignores the learned energy entirely
- The score is always the positive energy gradient
- An EBM adds the same constant c to every E(x). What happens to normalized probabilities?
- Every probability increases by c
- All inputs become equally probable
- They remain unchanged after the partition function is adjusted
- The normalizer must be set to zero
- For two configurations with E(a) lower than E(b), what follows under the same normalized Gibbs model?
- Configuration a has greater probability than b
- Configuration b has greater probability because its energy is higher
- Both probabilities must be exactly one
- The comparison requires different partition functions for each point