Κουίζ προσαρμογής τομέα

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Ποιο πρόβλημα έχει σχεδιαστεί κυρίως να λύσει η προσαρμογή τομέα;
   • Μείωση του αριθμού των παραμέτρων του μοντέλου
   • Επιτάχυνση πολλαπλασιασμού matrix σε GPU
   • Πτώση απόδοσης όταν τα δεδομένα δοκιμής διαφέρουν από τα δεδομένα εκπαίδευσης
   • Δημιουργία συνθετικών ετικετών εκπαίδευσης αυτόματα
2. Σε ένα ανταγωνιστικό δίκτυο τομέα, τι επιτυγχάνει το επίπεδο αντιστροφής κλίσης;
   • Σπρώχνει τον εξαγωγέα χαρακτηριστικών για να κάνει την πηγή και τον στόχο να μην διακρίνονται
   • Διαγράφει τον ταξινομητή τομέα κατά την εξαγωγή συμπερασμάτων
   • Διπλασιάζει τον ρυθμό εκμάθησης για ταχύτερη προπόνηση
   • Μετατρέπει τις εξόδους παλινδρόμησης σε ετικέτες ταξινόμησης
3. Τι κάνει την προσαρμογή τομέα «χωρίς επίβλεψη» ιδιαίτερα χρήσιμη;
   • Δεν απαιτεί καθόλου εκπαίδευση μοντέλου
   • Λειτουργεί μόνο σε δεδομένα εικόνας
   • Εξαλείφει την ανάγκη για έναν τομέα προέλευσης
   • Δεν χρειάζεται δεδομένα με ετικέτα στον τομέα προορισμού
4. Ποιο σενάριο είναι ένα κλασικό παράδειγμα μετατόπισης τομέα;
   • Ένα μοντέλο εκπαιδευμένο και δοκιμασμένο στο ίδιο ακριβώς σύνολο δεδομένων
   • Ένας ταξινομητής όγκων εκπαιδευμένος σε έναν σαρωτή που αποτυγχάνει σε διαφορετικό σαρωτή
   • Ένα μοντέλο που τρέχει πιο γρήγορα μετά την κβαντοποίηση
   • Ένα δίκτυο με περισσότερα επίπεδα από ένα άλλο δίκτυο
5. Τι είναι μια μέθοδος προσαρμογής τομέα «χωρίς πηγή» που έχει σχεδιαστεί για την αποφυγή;
   • Πρόσβαση στα αρχικά δεδομένα εκπαίδευσης πηγής κατά την προσαρμογή
   • Χρησιμοποιώντας οποιαδήποτε αρχιτεκτονική νευρωνικών δικτύων
   • Παραγωγή τυχόν προβλέψεων εξόδου
   • Λειτουργεί σε σύγχρονες GPU
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