NEW
Font size
WorksheetsVariational Autoencoder
Total questions: 10
Worksheet time: 5mins
¿Cuál es la principal diferencia entre un autoencoder tradicional y un variational autoencoder (VAE)?
A. El VAE usa capas convolucionales en lugar de densas
B. El VAE introduce una distribución probabilística sobre el espacio latente
C. El VAE no requiere un decodificador
D. El autoencoder tradicional tiene regularización KL
¿Qué representa el vector `z` en un VAE?
A. Las probabilidades de cada clase de salida
B. Los pesos de la red neuronal
C. Una muestra de la distribución latente aproximada del input
D. Los gradientes del encoder
En un VAE, se asume que la variable latente `z` proviene de:
A. Una distribución exponencial
B. Una distribución normal estándar
C. Una distribución uniforme entre 0 y 1
D. Una distribución binomial
¿Qué aprende el encoder en un VAE?
A. La reconstrucción de la entrada
B. Los parámetros de la distribución latente (media y varianza)
C. El gradiente de la pérdida KL
D. Los pesos del decodificador
¿Para qué sirve el término de pérdida KL en el entrenamiento de un VAE?
A. Para maximizar la varianza de `z`
B. Para asegurar que la distribución latente se mantenga cercana a la normal estándar
C. Para penalizar errores de reconstrucción
D. Para normalizar la salida del decodificador
La pérdida total de un VAE combina:
A. Entropía + regularización L1
B. Reconstrucción + divergencia KL
C. Dropout + error cuadrático medio
D. Log-verosimilitud + entropía cruzada
¿Cuál es el propósito del truco de reparametrización (`z = mu + sigma * epsilon`)?
A. Introducir ruido aleatorio para el entrenamiento
B. Permitir el cálculo de gradientes a través de una operación de muestreo
C. Reducir la dimensionalidad del espacio latente
D. Normalizar la salida del encoder
¿Por qué se usa `epsilon ~ N(0, I)` en el proceso de reparametrización?
A. Para muestrear el decodificador directamente
B. Para garantizar independencia entre componentes de `z`
C. Para centrar y escalar las muestras de la distribución latente
D. Para simplificar la derivada de la pérdida
El objetivo de un VAE puede interpretarse como:
A. Maximizar la probabilidad de reconstrucción exacta
B. Aproximar la distribución posterior verdadera de las variables latentes
C. Minimizar la distancia entre `x` y `z`
D. Maximizar la entropía del espacio latente
¿Qué permite a un VAE generar nuevos datos realistas?
A. El uso de un decodificador determinista
B. El muestreo de puntos `z` de una distribución latente aprendida
C. La regularización L2 aplicada al encoder
D. La propagación inversa del gradiente
