Bayesian Derin Öğrenme Sınavı

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Bayes sinir ağı, ağırlıklarına standart olandan nasıl farklı davranır?
   • Her ağırlığı tek bir sabit değerden ziyade bir olasılık dağılımı olarak ele alır
   • Ondalık sayılar yerine tam sayı ağırlıklarını kullanır
   • Ağırlıkları tamamen ortadan kaldırır
   • Tüm katmanlarda tek bir ağırlığı paylaşır
2. What can a Bayesian approach provide that a single fixed-weight network does not directly represent?
   • A guarantee that every confidence score is calibrated
   • A distribution of predictions that reflects uncertainty about model weights
   • A proof that the model will detect every unfamiliar input
   • A way to remove all noise from the data
3. How can epistemic uncertainty change as relevant, representative training data are added?
   • It is guaranteed to reach zero with any added data
   • It is identical to label noise
   • It may decrease under the chosen model and data assumptions
   • It always increases linearly
4. Değişken çıkarım veya MCMC gibi yaklaşımlara neden ihtiyaç duyulur?
   • Çünkü sinir ağlarının kayıp fonksiyonu yoktur
   • Çünkü GPU'lar toplama işlemi yapamaz
   • Çünkü ağırlıklar tam sayı olmalıdır
   • Milyonlarca ağırlığın tam arka kısmı hesaplama açısından zor olduğu için
5. Monte Carlo'yu terk eden belirsizliği tahmin etmek için ne yapar?
   • Test zamanında bırakmayı aktif tutar ve çıktıların yayılmasını kullanarak ağı birçok kez çalıştırır
   • Okulu bırakmayı kapatır ve daha uzun süre antrenman yapar
   • Tüm nöronları kalıcı olarak kaldırır
   • Kaybı rastgele gürültüyle değiştirir
6. Varyasyonel çıkarım sonsal tahmini ne tür bir problem olarak yeniden çerçevelendirir?
   • Bir sıralama problemi
   • KL farklılığını en aza indiren bir optimizasyon problemi (ELBO aracılığıyla)
   • Hiçbir amacı olmayan saf bir rastgele örnekleme problemi
   • Bir donanım tasarımı sorunu
7. How does Bayes’ rule relate a prior, likelihood, and posterior?
   • The posterior is the prior plus the likelihood, without normalization
   • It is the likelihood divided by the prior without normalization
   • The posterior is proportional to the prior times the likelihood
   • It is the fixed point estimate of the most likely weight vector
8. How does MCMC approximate a Bayesian neural-network posterior?
   • By training a single point estimate with dropout disabled
   • By ranking model outputs with a fixed rule
   • By minimizing an ELBO with a simpler variational family
   • By drawing samples through a Markov chain whose stationary distribution targets the posterior