แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ
แบบทดสอบโฟลว์การทำให้เป็นมาตรฐาน
ฝึกฝนการแปลงโฟลว์แบบผันกลับ ความหนาแน่นของการเปลี่ยนแปลงของตัวแปร และการแก้ไขจาโคเบียน รวมถึงขีดจำกัดของการตรวจจับความผิดปกติตามความน่าจะเป็น
คำถาม 1 ของ 8
การเปลี่ยนแปลงทุกครั้งในโฟลว์การทำให้เป็นมาตรฐานต้องมีคุณสมบัติทางคณิตศาสตร์อะไรบ้าง
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- การเปลี่ยนแปลงทุกครั้งในโฟลว์การทำให้เป็นมาตรฐานต้องมีคุณสมบัติทางคณิตศาสตร์อะไรบ้าง
- จะต้องเป็นการแมปแบบสุ่มและไม่สามารถกลับด้านได้
- มันจะต้องกลับด้านได้ (bijective) และหาอนุพันธ์ได้
- จะต้องลดมิติลงในแต่ละขั้นตอน
- จะต้องเป็นตารางการค้นหาแบบแยก
- สูตรใดช่วยให้โฟลว์การทำให้เป็นมาตรฐานสามารถคำนวณความน่าจะเป็นที่แน่นอนได้
- ฟังก์ชั่นซอฟต์แม็กซ์
- สมการเบลล์แมน
- กฎของ Bayes นำไปใช้กับการบันทึก
- สูตรการเปลี่ยนแปลงของตัวแปรโดยใช้ดีเทอร์มิแนนต์จาโคเบียน
- เหตุใดสถาปัตยกรรมโฟลว์เช่น RealNVP และ Glow จึงใช้เลเยอร์คัปปลิ้ง
- เพื่อให้สามเหลี่ยมจาโคเบียนมีค่าดีเทอร์มีแนนต์ในการคำนวณราคาถูก
- เพื่อให้โมเดลไม่สามารถพลิกกลับได้
- เพื่อขจัดความจำเป็นในการกระจายฐาน
- เพื่อแปลงโมเดลให้เป็น GAN
- What does a tractable normalizing flow provide that an ordinary GAN generator generally does not?
- A guarantee of perfect anomaly detection
- A guarantee of faster sampling than every GAN
- An explicitly evaluable model density through change of variables
- A non-invertible mapping with no base distribution
- How should a team use normalizing-flow likelihoods for anomaly detection?
- Assume every high-likelihood input is familiar
- Treat density as the probability mass of a single point
- Skip checking real anomaly labels
- Validate them as a signal against relevant in-distribution and anomalous examples
- เทคนิคสมัยใหม่ใดที่ใช้ในระบบอย่าง Stable Diffusion 3 ที่เติบโตมาจากแนวคิดการไหลแบบต่อเนื่อง
- การขยายพันธุ์กลับตามกาลเวลา
- การจับคู่การไหล (การเรียนรู้สนามความเร็วที่ส่งเสียงรบกวนไปยังข้อมูล)
- โทเค็น
- ค้นหาบีม
- A one-dimensional flow inverse is z = x / 2. What log-Jacobian term appears in log p(x)?
- log(2)
- The parameter count of the network
- log(1/2)
- No term because the inverse is linear
- Why must a normalizing flow account for stretching or shrinking volume?
- A transformed region’s density must reflect the changed volume
- The transformation must lose half its dimensions
- Every output point must have probability mass one
- The base distribution must be discarded after training