AP Sem5 Atv10

Prévia do material em texto

PERGUNTA 1
Quais das afirmações abaixo estão corretas em relação à estrutura e ao funcionamento
das redes adversarias generativas (GAN)?
I. As redes GAN são compostas por duas redes neurais distintas, a geradora e a
discriminadora.
II. As redes GAN podem assumir arquiteturas rasas ou profundas.
III. O gerador produz padrões (i.e., imagens) o mais próximo possível dos padrões
reais para enganar o discriminador.
IV. O discriminador tem como objetivo distinguir os padrões gerados de padrões
reais.
Selecione a alternativa correta:
A. Apenas as afirmações I, II e IV estão corretas.
B. Apenas as afirmações II, III e IV estão corretas.
C. Apenas as afirmações I, III e IV estão corretas.
D. Todas as afirmações estão corretas.
E. Apenas as afirmações I, II e III estão corretas.
PERGUNTA 2
A área de aprendizado de máquina possui uma infinidade de modelos, dentre eles os
modelos generativos e os modelos discriminativos. Qual é a principal diferença entre
essas classes de modelos?
Selecione a alternativa correta:
A. Modelos generativos são mais precisos do que modelos discriminativos em
problemas de classificação, mas são menos eficientes em termos de tempo de
treinamento e recursos computacionais.
B. Os modelos generativos são baseados em redes neurais, por outro lado, os
modelos discriminativos são baseados em lógica simbólica.
C. Modelos generativos aprendem uma distribuição de probabilidade conjunta dos
dados. Por outro lado, os modelos discriminativos aprendem a probabilidade
condicional de y dado x.
D. Modelos generativos usam técnicas de agrupamento para agrupar os dados de
entrada em classes, enquanto modelos discriminativos usam técnicas de
redução de dimensionalidade para projetar os dados de entrada em um espaço
de características de menor dimensão.
E. Modelos generativos são usados para classificação, enquanto modelos
discriminativos são usados para geração de novas amostras.
PERGUNTA 3
Autoencoders variacionais (VAE) são modelos de aprendizado de máquina generativos.
Qual é o principal objetivo de um autoencoder variacional?
A. Projetar os exemplos de baixa dimensionalidade em um espaço esparso de alta
disponibilidade.
B. Reduzir a dimensionalidade dos dados permitindo a visualização em uma
representação de baixa dimensionalidade.
C. Aprender a distribuição latente dos dados e gerar novas amostras a partir dessa
distribuição.
D. Classificar imagens em diferentes categorias.
E. Gerar novos dados a partir da combinação dos exemplos presentes no conjunto
de treinamento.
PERGUNTA 4
O treinamento de um autoencoder variacional (VAE), assim como outros modelos de
redes neurais, tem por objetivo reduzir o erro observado na saída do modelo. No caso
específico do VAE, como é calculado o erro durante o treinamento?
A. Por se tratar de um modelo não supervisionado, não há uma função de erro
explícito para essa classe de modelos.
B. O erro de treinamento (função de custo) é calculado via erro quadrático médio
entre os exemplos do conjunto de treinamento e as suas respectivas
reconstruções.
C. O erro de treinamento (função de custo) é composto pela soma da divergência
KL (Kullback-Leibler) entre a distribuição latente aprendida e uma distribuição
normal e o erro de reconstrução.
D. O erro de treinamento (função de custo) é calculado a partir da diferença entre a
entrada e a saída do decodificador.
E. O erro de treinamento (função de custo) é obtido via entropia cruzada do sinal
latente e da saída do modelo.
PERGUNTA 5
O treinamento de uma rede adversarial generativa (GAN) consiste num processo
indireto de se aprender a distribuição dos dados, ou seja, não comparamos diretamente
as distribuições verdadeiras e geradas. Quais das afirmações abaixo estão corretas em
relação a esse processo?
I. A rede geradora (gerador) aprende a gerar os dados de forma indireta buscando
maximizar o erro do discriminador.
II. O gerador é treinado de forma supervisionada para gerar dados próximos aos
dados reais. Por sua vez, o discriminador aprende, de forma não
supervisionada, a reconhecer se os dados gerados são reais ou sintéticos.
III. O aprendizado da distribuição dos dados por uma rede GAN é um processo não
supervisionado, no qual tanto o gerador quanto o discriminador são otimizados,
de forma simultânea, para produzir dados mais próximos dos dados
pertencentes à distribuição real.
Selecione a alternativa correta:
A. Apenas as afirmações I e III estão corretas.
B. Apenas a afirmação I está correta.
C. Apenas a afirmação III está correta.
D. Apenas a afirmação II está correta.
E. Apenas as afirmações I e II estão corretas.
PERGUNTA 6
Qual é o objetivo do truque de reparametrização (reparametrization trick) no
treinamento de autoencoders variacionais?
Selecione a alternativa correta:
A. Permitir a aplicação do algoritmo de retropropagação no treinamento do VAE.
B. Acelerar o processo de treinamento em autoencoders.
C. Reduzir a complexidade computacional dos autoencoders.
D. Evitar o problema do overfitting em autoencoders aplicando regularização na
última camada do encoder.
E. Ampliar a geração de amostras a partir do modelo treinado.
PERGUNTA 7
O que podemos afirmar sobre a função de custo (loss function) utilizada no treinamento
de uma rede neural adversária generativa (GAN)?
I. A função de custo padrão de uma GAN é denominada min-max (ou minimax).
II. Consiste em um processo antagônico (adversário), no qual o gerador busca
derrotar o discriminador, ao mesmo tempo que o discriminador busca derrotar o
gerador.
III. O gerador e o discriminador possuem objetivos distintos em relação a função de
custo. O gerador busca maximizar a função enquanto o discriminador busca
minimizá-lo.
Selecione a alternativa correta:
A. Apenas a afirmação III está correta.
B. Apenas as afirmações I e II estão corretas.
C. Apenas as afirmações II e III estão corretas.
D. Apenas as afirmações I e III estão corretas.
E. Todas as afirmações estão corretas.
EXTRA
Autoencoders variacionais (VAE) e redes neurais adversariais generativas (GAN)
constituem duas classes de importantes modelos generativos. Quais das afirmações
abaixo estão corretas em relação as suas principais diferenças e semelhanças?
I. VAEs e GANs diferem em relação a suas arquiteturas. As GANs são compostas
por duas redes neurais. Por sua vez, os VAEs são compostos por apenas uma
rede neural com duas partes, o codificador e o decodificador.
II. Ambas possuem objetivos semelhantes, ou seja, gerar novos exemplos
compatíveis com os dados de treinamento.
III. O VAE gera novos exemplos a partir de amostras extraídas do espaço latente
aprendido, as GANs geram novos exemplos a partir de amostras aleatórias.
Selecione a alternativa correta:
A. Apenas as afirmações I e II estão corretas.
B. Apenas as afirmações I e III estão corretas.
C. Apenas a afirmação I está correta.
D. Todas as afirmações estão corretas.
E. Apenas as afirmações II e III estão corretas.