TestVAEs 2

Por que el reparameterization trick es crucial para el entrenamiento de un VAE?

• Hace el proceso de muestreo diferenciable.
• Facilita la reconstruccion precisa de los datos originales.
• Evita que el encoder dependa del decoder.
• Optimiza directamente el prior en el espacio latente.

Que implica un espacio latente bien regularizado en un VAE?

• Reduce la dimensionalidad de los datos originales.
• Asegura que las representaciones latentes sean interpretables.
• Introduce restricciones adicionales en el prior.
• Minimiza el error de reconstruccion en el espacio latente.

Cual es el rol principal del prior en el espacio latente de un VAE?

• Define la probabilidad de los datos en el espacio latente.
• Asegura que el modelo pueda generar nuevas muestras.
• Regulariza las representaciones latentes para evitar el overfitting.
• Permite calcular gradientes en el espacio latente.

Como afecta un posterior mal formado en el rendimiento de un VAE?

• Introduce ruido adicional en las reconstrucciones.
• Permite una mayor diversidad en las muestras generadas.
• Hace que las muestras generadas sean uniformemente distribuidas.
• Introduce ruido adicional para mejorar la regularizacion.

Que asegura el termino KL en la funcion objetivo de un VAE?

• Aproximar la distancia entre el prior y el posterior.
• Evitar que el prior domine al decoder.
• Asegurar que los datos reconstruidos sigan el prior.
• Mantener una relacion uniforme entre z y x.

Cual es la ventaja de utilizar un prior estandar en el espacio latente?

• Permite interpolar entre puntos del espacio latente.
• Reduce la correlacion entre las variables latentes.
• Facilitar la interpolacion entre puntos latentes.
• Fuerza a las reconstrucciones a ser realistas.

Que caracteriza a un VQ-VAE frente a un VAE tradicional?

• Utiliza un espacio latente continuo.
• Introduce indices para representar datos de forma discreta.
• Cuantiza las representaciones continuas en un espacio discreto.
• Introduce dependencias jerarquicas en las muestras.

Como el decoder afecta el aprendizaje del encoder en un VAE?

• Incrementa la capacidad del decoder para reconstruir x.
• Permite al decoder depender unicamente de z.
• Fuerza al encoder a depender de x.
• Elimina la correlacion entre las representaciones latentes.

Por que es importante el balance entre reconstruccion y regularizacion en un VAE?

• Optimizar el prior en lugar del posterior.
• Forzar a z a seguir una distribucion normal estandar.
• Aumentar la capacidad del modelo generativo.
• Balancear la reconstruccion con la regularizacion.

Que tipo de datos se benefician de un espacio latente discreto?

• Mapear datos categoricos de forma precisa.
• Mapear datos jerarquicos como secuencias de texto.
• Procesar datos continuos como imagenes.
• Procesar datos categoricos como texto o audio.