แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ

แบบทดสอบการจับคู่การไหล

สำรวจฟิลด์เวกเตอร์ที่เรียนรู้ของการจับคู่โฟลว์ เส้นทางที่มีเงื่อนไข การสุ่มตัวอย่าง ODE และความสัมพันธ์กับการสร้างตามการแพร่กระจาย

เส้นทางแนะนำที่เกี่ยวข้องการจับคู่การไหล
คำถาม 1 ของ 8

โมเดลการจับคู่โฟลว์เรียนรู้การทำนายโดยตรงอย่างไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. โมเดลการจับคู่โฟลว์เรียนรู้การทำนายโดยตรงอย่างไร
    • สนามความเร็วที่ย้ายตัวอย่างจากสัญญาณรบกวนไปยังข้อมูล
    • ป้ายหมวดหมู่สำหรับแต่ละภาพ
    • ไบต์ JPEG ที่ถูกบีบอัดของรูปภาพ
    • ตารางการค้นหาคงที่ของค่าพิกเซล
  2. ตัวอย่างถูกสร้างขึ้นจากแบบจำลองการจับคู่โฟลว์ที่ผ่านการฝึกอบรมอย่างไร
    • โดยการสุ่มตัวอย่างกลุ่มคำของมาร์คอฟที่ไม่ต่อเนื่องกัน
    • โดยการบูรณาการสนามความเร็วที่เรียนรู้เข้ากับตัวแก้ปัญหา ODE โดยเริ่มจากสัญญาณรบกวน
    • โดยการรันการไล่ระดับสีบนรูปภาพอินพุต
    • โดยหาค่าเฉลี่ยทั้งชุดการฝึก
  3. อะไรทำให้การสูญเสียการจับคู่โฟลว์แบบมีเงื่อนไขสามารถฝึกได้
    • มันจะละเว้นข้อมูลทั้งหมด
    • มันต้องมีการแก้เขตข้อมูลส่วนขอบแบบเต็มในเชิงวิเคราะห์
    • โดยกำหนดเงื่อนไขบนจุดข้อมูลเดียวและใช้เส้นทางการแก้ไขที่รู้จักอย่างง่าย
    • มันใช้งานได้กับภาพเดียวในแต่ละครั้งตลอดไป
  4. เหตุใดตัวแปร 'การไหลที่แก้ไขแล้ว' จึงช่วยให้สร้างได้เร็วขึ้น
    • มันใช้โครงข่ายประสาทเทียมที่ใหญ่กว่า
    • มันข้ามการฝึกโดยสิ้นเชิง
    • มันจะแปลงรูปภาพเป็นข้อความก่อน
    • โดยจะปรับเส้นทางความน่าจะเป็นให้ตรงขึ้น ดังนั้นจึงจำเป็นต้องใช้ขั้นตอนของตัวแก้ปัญหา ODE น้อยลง
  5. Which named image model’s paper explicitly describes a rectified-flow transformer?
    • Stable Diffusion 3
    • Flux, as established by the cited source set
    • เรสเน็ต-50
    • โยโลฟ8
  6. ในการจับคู่โฟลว์แบบมีเงื่อนไข การประมาณค่าทั่วไประหว่างตัวอย่างเสียงและตัวอย่างข้อมูล ณ เวลา t คืออะไร
    • การสุ่มพิกเซล
    • x_t = (1-t)*สัญญาณรบกวน + t*ข้อมูล ซึ่งเป็นการผสมผสานเส้นตรง
    • กำลังสองทุกค่าพิกเซล
    • จัดเรียงพิกเซลตามความสว่าง
  7. In conditional flow matching, how is the marginal vector field related to conditional vector fields?
    • It is the largest vector in the training batch
    • It is a fixed class label independent of time
    • It is the conditional expectation of the conditional vector field over the conditioning variable
    • It is the average pixel value of the data
  8. Beyond generative modeling, what other task does the original rectified-flow paper describe?
    • Speech diarization with speaker embeddings
    • Classifying handwritten digits from labels alone
    • Predicting calendar availability
    • Data or domain transfer between distributions