Prueba de adaptación de dominio

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Para qué problema está diseñada principalmente la adaptación del dominio?
   • Reducir el número de parámetros del modelo.
   • Acelerar la multiplicación de matrices en GPU
   • Caída del rendimiento cuando los datos de la prueba difieren de los datos del entrenamiento
   • Generando etiquetas de entrenamiento sintéticas automáticamente
2. En una red de dominio adversario, ¿qué logra la capa de inversión de gradiente?
   • Impulsa el extractor de funciones para que el origen y el destino sean indistinguibles
   • Elimina el clasificador de dominio durante la inferencia.
   • Duplica la tasa de aprendizaje para un entrenamiento más rápido.
   • Convierte los resultados de regresión en etiquetas de clasificación.
3. ¿Qué hace que la adaptación de dominio "no supervisada" sea especialmente útil?
   • No requiere ningún tipo de entrenamiento modelo.
   • Solo funciona con datos de imagen.
   • Elimina la necesidad de un dominio de origen.
   • No necesita datos etiquetados en el dominio de destino.
4. ¿Qué escenario es un ejemplo clásico de cambio de dominio?
   • Un modelo entrenado y probado exactamente en el mismo conjunto de datos.
   • Un clasificador de tumores entrenado en un escáner falla en otro escáner
   • Un modelo que se ejecuta más rápido después de la cuantificación.
   • Una red con más capas que otra red
5. ¿Qué debe evitar un método de adaptación de dominio "sin fuente"?
   • Acceder a los datos de entrenamiento de la fuente original durante la adaptación
   • Usando cualquier arquitectura de red neuronal
   • Producir predicciones de salida
   • Ejecutándose en GPU modernas
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