Geral
Aprendizado Profundo
Semana 5
0
Questão
Os Autoencoders Variacionais (VAE) representam uma inovação significativa no campo do aprendizado profundo, especialmente na tarefa de geração de novos dados a partir de um espaço latente. Diferente dos autoencoders tradicionais, os VAEs incorporam uma etapa de regularização por meio da divergência de Kullback-Leibler (KL).
Com relação a este contexto e sobre o conteúdo estudado, avalie as asserções a seguir e a relação proposta entre elas:
I. A regularização imposta pela divergência de Kullback-Leibler (KL) nos Autoencoders Variacionais é essencial para garantir que o modelo seja capaz de gerar novas amostras a partir do espaço latente que são semelhantes aos dados originais.
PORQUE
II. A divergência de Kullback-Leibler força a distribuição latente aprendida pelo modelo a se aproximar de uma distribuição gaussiana, o que promove uma melhor organização do espaço latente e evita a geração de amostras fora do domínio dos dados originais.
A respeito dessas asserções, assinale a alternativa correta.
Com relação a este contexto e sobre o conteúdo estudado, avalie as asserções a seguir e a relação proposta entre elas:
I. A regularização imposta pela divergência de Kullback-Leibler (KL) nos Autoencoders Variacionais é essencial para garantir que o modelo seja capaz de gerar novas amostras a partir do espaço latente que são semelhantes aos dados originais.
PORQUE
II. A divergência de Kullback-Leibler força a distribuição latente aprendida pelo modelo a se aproximar de uma distribuição gaussiana, o que promove uma melhor organização do espaço latente e evita a geração de amostras fora do domínio dos dados originais.
A respeito dessas asserções, assinale a alternativa correta.