ডোমেন অভিযোজন কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. কোন সমস্যা ডোমেইন অভিযোজন প্রাথমিকভাবে সমাধান করার জন্য ডিজাইন করা হয়েছে?
   • মডেল পরামিতি সংখ্যা হ্রাস
   • GPU-তে ম্যাট্রিক্স গুণন ত্বরান্বিত করা
   • পরীক্ষার ডেটা প্রশিক্ষণের ডেটা থেকে আলাদা হলে কর্মক্ষমতা হ্রাস পায়
   • স্বয়ংক্রিয়ভাবে সিন্থেটিক প্রশিক্ষণ লেবেল তৈরি করা হচ্ছে
2. একটি ডোমেইন-অ্যাডভারসারিয়াল নেটওয়ার্কে, গ্রেডিয়েন্ট রিভার্সাল লেয়ারটি কী সম্পন্ন করে?
   • এটি উৎস এবং লক্ষ্যকে আলাদা করার জন্য বৈশিষ্ট্য নিষ্কাশনকারীকে চাপ দেয়
   • এটি অনুমান করার সময় ডোমেন ক্লাসিফায়ারকে মুছে দেয়
   • এটি দ্রুত প্রশিক্ষণের জন্য শেখার হার দ্বিগুণ করে
   • এটি রিগ্রেশন আউটপুটকে শ্রেণিবিন্যাস লেবেলে রূপান্তর করে
3. কি 'অনিয়ন্ত্রিত' ডোমেন অভিযোজন বিশেষভাবে দরকারী করে তোলে?
   • এর জন্য কোন মডেল প্রশিক্ষণের প্রয়োজন নেই
   • এটি শুধুমাত্র ইমেজ ডেটাতে কাজ করে
   • এটি একটি সোর্স ডোমেনের প্রয়োজনীয়তা দূর করে
   • লক্ষ্য ডোমেনে এটির কোন লেবেলযুক্ত ডেটার প্রয়োজন নেই
4. কোন দৃশ্যকল্প ডোমেইন শিফটের একটি ক্লাসিক উদাহরণ?
   • সঠিক একই ডেটাসেটে প্রশিক্ষিত এবং পরীক্ষিত একটি মডেল
   • একটি স্ক্যানারে প্রশিক্ষিত একটি টিউমার ক্লাসিফায়ার অন্য স্ক্যানারে ব্যর্থ হচ্ছে
   • একটি মডেল যা কোয়ান্টাইজেশনের পরে দ্রুত চলে
   • অন্য নেটওয়ার্কের চেয়ে বেশি স্তর সহ একটি নেটওয়ার্ক
5. একটি 'উৎস-মুক্ত' ডোমেন অভিযোজন পদ্ধতি কি এড়ানোর জন্য ডিজাইন করা হয়েছে?
   • অভিযোজনের সময় মূল উত্স প্রশিক্ষণ ডেটা অ্যাক্সেস করা
   • যেকোনো নিউরাল নেটওয়ার্ক আর্কিটেকচার ব্যবহার করে
   • কোনো আউটপুট পূর্বাভাস উত্পাদন
   • আধুনিক GPU-তে চলছে
6. A team starts adaptation from a broadly pretrained model. What should it still measure?
   • Only the parameter count
   • Only source training accuracy
   • Performance on the actual target data and task
   • Whether target evaluation can be skipped
7. Which DANN head supplies the objective to distinguish source examples from target examples?
   • The task label vocabulary
   • The domain classifier
   • The optimizer checkpoint file
   • A fixed output embedding dimension
8. Does gradient reversal mean changing a positive class label into a negative class label?
   • Yes; every task label is negated
   • Yes; all target samples are relabeled as source
   • No; it freezes every feature weight
   • No; it reverses the domain gradient into the feature extractor