Puana Dayalı Üretken Modeller Sınavı

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Bu modellerin öğrendiği 'puan' tam olarak nedir?
   • Girişe göre log-olasılık yoğunluğunun gradyanı
   • Her görüntü için 0 ila 100 arasında bir kalite derecelendirmesi
   • Tamamlanan eğitim dönemi sayısı
   • Veri noktasının sınıflandırma etiketi
2. Puana dayalı modeller neden birden fazla ölçekte gürültüyle bozulmuş veriler üzerinde eğitiliyor?
   • Görüntülerin sanatsal görünmesini sağlamak için
   • Çünkü temiz verilerin seyrek olduğu ve bu bölgelerde gürültülü dolguların olduğu yerlerde puanın tahmin edilmesi zordur.
   • Veri kümesinin dosya boyutunu küçültmek için
   • Çünkü gürültü GPU'yu hızlandırır
3. Erken puana dayalı modeller veri oluşturmak için hangi örnekleme prosedürünü kullandı?
   • Sabit bir hedef görüntüye doğru piksellerde gradyan inişi
   • Tek bir matris çarpımı
   • Langevin dinamikleri — gürültü eklerken nota boyunca ilerlemek
   • Rastgele kırpma ve çevirme
4. 2021 skoru-SDE belgesi hangi önemli bağlantıyı kurdu?
   • GAN'ların her zaman yayılmadan daha iyi olduğu
   • Sinir ağlarının görüntüleri modelleyemeyeceği
   • Bu puan modelleri yalnızca iki boyutta çalışır
   • Bu yayılma modelleri ve puana dayalı modeller aynı sürekli SDE sürecinin iki görünümüdür
5. Gürültüyü tahmin etmek, gürültüyü giderme skoru eşleştirmesinde skoru tahmin etmekle nasıl ilişkilidir?
   • The conditional denoising-score target is −ε/σ for standardized Gaussian noise; the model estimates the noisy-data score
   • Noise prediction and score estimation are unrelated
   • Gürültüyü tahmin etmek imkansızdır
   • Gürültülü veriler için puan her zaman sıfırdır
6. Deterministik 'olasılık akışı ODE'si, saf stokastik örneklemenin kolaylıkla sağlayamadığı neyi sağlar?
   • Daha yüksek GPU güç tüketimi
   • Kesin olasılık hesaplaması ve deterministik örnekleme yolu
   • Otomatik veri kümesi etiketleme
   • Herhangi bir sinir ağına olan ihtiyacın ortadan kaldırılması
7. In score-based generation, what does the reverse-time SDE do?
   • It converts image labels into captions
   • It adds noise to an already generated output only
   • It transforms a prior noise distribution back toward the data distribution
   • It estimates the class label of each pixel
8. In a score-based MRI reconstruction method, how can a learned image prior help recover an undersampled scan?
   • Use the prior alone and ignore measured k-space data
   • Combine the learned score prior with the measurement constraint during posterior sampling
   • Replace all measurements with random noise
   • Treat the score as a diagnosis of the patient