Rehber bağlantılı sınav · Sert Seviye

Süperpozisyon ve Çok Anlamlılık Testi

Kontroller süperpozisyon, seyreklik, çok anlamlı nöronlar, örtüşen yönler ve sıkıştırılmış temsillerin geometrisini içerir.

İlgili kılavuz yollarıSüperpozisyon ve Çok Anlamlılık
Soru 1 arasında 8

Sinir ağlarında 'süperpozisyon' neyi ifade eder?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Sinir ağlarında 'süperpozisyon' neyi ifade eder?
    • Yönlerini örtüştürerek nöron sayısından daha fazla özelliği temsil etmek
    • Birden fazla modeli üst üste istifleme
    • Modeli iki kez çalıştırmak ve ortalamasını almak
    • Eğitim sırasında girişlere gürültü eklenmesi
  2. Özellik girişimine rağmen süperpozisyonun iyi çalışmasını sağlayan koşul hangisidir?
    • Her zaman yoğun olarak aktif olan özellikler
    • Özellikler seyrek olduğundan çok azı aynı anda etkindir
    • Yalnızca olumlu aktivasyonları kullanma
    • Özelliklerden daha fazla nörona sahip olmak
  3. 'Çok anlamlı' nöron nedir?
    • Hiçbir zaman harekete geçmeyen bir nöron
    • Yalnızca çıktı katmanında kullanılan bir nöron
    • İlgisiz birçok kavrama yanıt veren bir nöron
    • Hiçbir bağlantısı olmayan bir nöron
  4. Hangi Anthropic makalesi 2022'de bu fenomenin kontrollü çalışmasını başlattı?
    • İhtiyacınız Olan Tek Şey Dikkat
    • Derin CNN'lerle ImageNet Sınıflandırması
    • Deep RL ile Atari oynamak
    • Süperpozisyon Oyuncak Modelleri
  5. Bir katmanın boyutlarından daha fazla özelliği depolaması gerekiyorsa geometrik olarak kaçınılmaz olan nedir?
    • Bazı özelliklerin örtüşen, dik olmayan yönleri paylaşması gerekir
    • Özelliklerin tümü mükemmel şekilde dik kalabilir
    • Ağ çökmeli
    • Tüm özellikler aynı hale gelir
  6. Süperpozisyon neden yorumlanabilirliği zorlaştırıyor?
    • Modelin çalışmasını yavaşlatır
    • Tek nöronlar artık tek kavramlarla temiz bir şekilde eşleşmiyor
    • Modeldeki tüm özellikleri kaldırır
    • Yalnızca giriş katmanını etkiler
  7. Why does sparse feature activity reduce interference when more features than dimensions are represented?
    • Sparse activity makes all feature directions orthogonal
    • It increases the number of neurons automatically
    • Fewer features are active at the same time, so overlapping directions collide less often
    • It removes the need for nonlinear computation
  8. What does an antipodal pair of feature directions look like geometrically?
    • Two vectors at a right angle in separate dimensions
    • Two vectors with identical directions and magnitudes
    • A vector with no coordinates
    • Two directions that point opposite ways along the same line