Quiz sur l'adaptation de domaine

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Quel problème l’adaptation de domaine est-elle principalement conçue pour résoudre ?
   • Réduire le nombre de paramètres du modèle
   • Accélérer la multiplication matricielle sur les GPU
   • Baisse des performances lorsque les données de test diffèrent des données d'entraînement
   • Générer automatiquement des étiquettes de formation synthétiques
2. Dans un réseau conflictuel de domaine, qu'accomplit la couche d'inversion de gradient ?
   • Il pousse l'extracteur de fonctionnalités pour rendre la source et la cible indiscernables
   • Il supprime le classificateur de domaine lors de l'inférence
   • Il double le taux d'apprentissage pour une formation plus rapide
   • Il convertit les sorties de régression en étiquettes de classification
3. Qu’est-ce qui rend l’adaptation de domaine « non supervisée » particulièrement utile ?
   • Cela ne nécessite aucune formation de modèle
   • Cela ne fonctionne que sur les données d'image
   • Cela élimine le besoin d'un domaine source
   • Il n'a besoin d'aucune donnée étiquetée dans le domaine cible
4. Quel scénario est un exemple classique de changement de domaine ?
   • Un modèle formé et testé sur exactement le même ensemble de données
   • Un classificateur de tumeurs formé sur un scanner échoue sur un autre scanner
   • Un modèle qui s'exécute plus rapidement après quantification
   • Un réseau avec plus de couches qu'un autre réseau
5. Qu'est-ce qu'une méthode d'adaptation de domaine « sans source » est conçue pour éviter ?
   • Accès aux données de formation source d'origine pendant l'adaptation
   • Utiliser n’importe quelle architecture de réseau neuronal
   • Produire des prédictions de sortie
   • Fonctionnant sur des GPU modernes
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