TestyVAEs3

Como el prior afecta la capacidad generativa de un VAE?

• Define la forma de las distribuciones generadas.
• Fuerza las muestras a seguir una distribucion normal estandar.
• Evita que el espacio latente colapse al prior.
• Minimiza el error de reconstruccion de los datos originales.

Que papel juega la ELBO en el entrenamiento de un VAE?

• Maximiza la probabilidad logarítmica de los datos observados.
• Permite balancear entre reconstruccion y regularizacion.
• Introduce restricciones adicionales al decoder.
• Introduce dependencias adicionales en las muestras latentes.

Por que un decoder demasiado potente puede causar problemas en un VAE?

• Introduce ruido adicional en las muestras.
• Incrementa la capacidad del encoder para generalizar.
• Mapea datos complejos a distribuciones discretas.
• Hace el proceso de muestreo diferenciable.

Que significa que un posterior bien formado en un VAE?

• Asegura que las muestras generadas sigan el prior.
• Introduce una regularizacion adicional en el espacio latente.
• Optimiza directamente los parametros del prior.
• Facilita la interpolacion entre puntos en el espacio latente.

Como se regulariza el espacio latente en un VAE?

• Permite interpolar entre distribuciones complejas.
• Optimiza la probabilidad condicional de los datos.
• Introduce relaciones jerárquicas en las muestras latentes.
• Asegura que los datos generados sean independientes.

Cual es la ventaja de un espacio latente continuo frente a uno discreto?

• Reduce la dimensionalidad de los datos.
• Permite una mayor interpretabilidad en las representaciones latentes.
• Facilita el cálculo eficiente de la divergencia KL.
• Permite la cuantización de representaciones continuas.

Que caracteriza el balance optimo entre reconstruccion y regularizacion?

• Permite reconstruir datos categóricos con precisión.
• Aumenta el impacto de las restricciones del prior.
• Aumenta la flexibilidad del decoder.
• Balancea las representaciones entre complejidad y simplicidad.

Por que los datos con alta dimensionalidad benefician a los VAEs?

• Aumenta la capacidad de generalización del modelo.
• Facilita el aprendizaje de relaciones condicionales.
• Permite reconstruir datos continuos sin pérdida de información.
• Optimiza la probabilidad logarítmica del prior.

Que asegura la interpolacion entre puntos en un espacio latente?

• Evita que el modelo dependa exclusivamente del prior.
• Asegura que las representaciones sigan una distribucion uniforme.
• Mantiene una relacion uniforme entre las representaciones generadas.
• Evita el sobreajuste del modelo al prior.

Cual es el impacto de la divergencia KL mal ajustada en un VAE?

• Reduce la capacidad del modelo para reconstruir los datos.
• El modelo ignora las representaciones latentes.
• Aumenta la correlación entre las variables latentes.
• Permite que las representaciones sean completamente deterministas.