Вікторина про варіаційні автокодери

Відповіді та пояснення з’являються під час виконання тесту.

1. Що робить кодер у виході VAE для заданого входу?
   • Параметри розподілу ймовірностей, такі як середнє значення та дисперсія
   • Єдина фіксована точка в латентному просторі
   • Мітка класу
   • Реконструйована копія вхідних даних
2. Яка мета трюку перепараметризації?
   • Щоб зробити декодер більшим
   • Щоб дозволити градієнтам протікати на етапі випадкової вибірки
   • Щоб усунути потребу в декодері
   • Ще більше стиснути латентний простір
3. In the standard Gaussian VAE formulation, what does the KL term encourage?
   • The decoder to predict future input tokens
   • The encoder to remove all randomness
   • The approximate posterior to stay close to the chosen prior, commonly a standard normal
   • Every latent variable to have the same observed value
4. Цільова функція, яку VAE максимізують під час навчання, називається:
   • Перехресна ентропійна стеля
   • Змагальна втрата
   • Середньоквадратична маржа
   • Нижня межа доказів (ELBO)
5. In a Gaussian VAE, what enables generation of a new sample?
   • Sample a latent from the prior and decode it with the learned decoder
   • Copy a training image directly without a model
   • Run the encoder backward with no latent sampling
   • Choose a random class label without decoding
6. Яку роль відіграє VAE у моделі латентної дифузії, такій як стабільна дифузія?
   • Він позначає навчальні зображення
   • Він стискає зображення до латентного простору, де відбувається дифузія, а потім декодує назад до пікселів
   • Він замінює кодувальник тексту
   • Він планує рівень шуму
7. In variational inference, what does the ELBO provide for the marginal log likelihood log p(x)?
   • An exact value of log p(x) for every model
   • A guarantee that each generated sample is realistic
   • A tractable lower bound that can be maximized instead of directly maximizing log p(x)
   • A posterior distribution that requires no inference model
8. What distribution does a VAE decoder model given a latent vector?
   • The encoder’s approximate posterior q(z|x)
   • The training set’s class-frequency histogram only
   • The optimizer’s learning-rate schedule
   • The likelihood of an observation conditioned on that latent, p(x|z)