CNN loob representatsiooni sõltuvalt mustrite täpsest asukohast, ViT loob representatsiooni asukohast sõltumatult.

CNN loob representatsiooni kogu pildi põhjal korraga seoseid modelleerides, ViT loob representatsiooni järk-järgult lokaalseid mustreid kombineerides.

CNN loob representatsiooni järk-järgult lokaalseid mustreid kombineerides, ViT loob representatsiooni kogu pildi ulatuses seoseid modelleerides.

CNN loob representatsiooni ilma pildi osadevahelisi seoseid arvestamata, ViT loob representatsiooni neid seoseid arvestades.

Jagab pildi väikesteks tükikesteks ja esitab need jadana, kus iga tükike on eraldi element.

Jagab pildi väikesteks tükikesteks ja ühendab nende väärtused üheks vektoriks.

Töötleb pilti tervikuna ja loob sellest ühe globaalse representatsiooni enne jadasse teisendamist.

Rakendab sama filtrit igale pildi piirkonnale ja moodustab tunnuste kaardi.

Sama tüüpi mustreid otsitakse üle kogu pildi samade kaaludega, sõltumata nende asukohast.

Oluline informatsioon tekib alles siis, kui kõik pildi osad on omavahel seotud.

Erinevates pildi piirkondades tuleks kasutada erinevaid kaalusid, et õppida piirkonnaspetsiifilisi mustreid.

Pildi tähendus sõltub mustrite täpsest asukohast pildil.

Sest pildi tähendus sõltub piirkondade täpsest asukohast.

Sest paljud visuaalsed mustrid korduvad väikestes piirkondades üle kogu pildi.

Sest oluline informatsioon tuleneb väikeste piirkondade keskmistest piksliväärtustest.

Sest iga pildi piirkond sisaldab erinevat tüüpi informatsiooni, mida tuleb eraldi modelleerida.

Sest objekti tähendus tekib alles siis, kui kogu pildi info on ühendatud.

Sest objekti tähendus on seotud piksli asukohaga pildi struktuuris.

Sest objekti tähendus tuleneb pikslitevahelistest mustritest, mitte üksikust väärtusest.

Sest objekti tähendus sõltub sama piirkonna piksliväärtuste keskmisest.

LLM teeb otsuseid maksimeerides oodatavat keskmist tulemust erinevate võimalike vastuste vahel.

LLM kasutab otsuste tegemisel ligikaudseid hinnanguid, et valida erinevate võimalike vastuste vahel.

LLM valib igas olukorras vastuse, mis maksimeerib tema enda tasu vastavalt fikseeritud eelistustele.

LLM-i väljund võib sõltuda sisendi sõnastusest ning sama olukord võib viia erinevate otsusteni.

See kombineerib otsingu (MCTS) ja õpitud mudeleid, kus strateegiamudel suunab otsingut ja tasumudel hindab seisude väärtust.

See kombineerib õpitud mudeleid, kus strateegiamudel valib käike ja tasumudel hindab seisude väärtust.

See kasutab otsingut Monte Carlo simulatsioonidega, kus seisude väärtus hinnatakse juhuslike simulatsioonide tulemuste keskmisena.

See kombineerib otsingu ja õpitud mudeleid, kus otsing kasutab minimaxi ja püüab mängupuu võimalikult sügavale läbi arvutada.

Mängu kohta on täielik info

Mäng on deterministlik

See ei ole minimaxi eeltingimus

Vastane on ratsionaalne

Lõpptulemuste tasusid ei ole võimalik defineerida.

Vastane ei käitu ratsionaalselt ja seetõttu ei saa minimaxi eeldusi kasutada.

Heuristilised hinnangud võimaldavad leida piisavalt hea lahenduse ilma optimaalset lahendust leidmata.

Mängupuu on nii suur, et seda ei ole võimalik lõpuni läbi arvutada.

Minimax alustab lehtedest ja liigub ülespoole, kus Min-tasemetel valitakse väikseim ja Max-tasemetel suurim väärtus.

Minimax alustab lehtedest ja liigub ülespoole, jättes alpha-beta pruning’u abil mõned harud läbi vaatamata ning arvutades väärtuse ainult allesjäänud harude põhjal.

Minimax alustab lehtedest ja liigub ülespoole, kus nii Min- kui Max-tasemetel arvutatakse väärtused võimalike tulemuste keskmisena.

Minimax alustab juurest ja liigub allapoole, kus Max-tasemetel valitakse suurim ja Min-tasemetel väikseim väärtus.