डोमेन अनुकूलन प्रश्नोत्तरी

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. डोमेन अनुकूलन मुख्य रूप से किस समस्या को हल करने के लिए डिज़ाइन किया गया है?
   • मॉडल मापदंडों की संख्या कम करना
   • GPU पर मैट्रिक्स गुणन को तेज़ करना
   • जब परीक्षण डेटा प्रशिक्षण डेटा से भिन्न होता है तो प्रदर्शन में गिरावट आती है
   • सिंथेटिक प्रशिक्षण लेबल स्वचालित रूप से उत्पन्न करना
2. एक डोमेन-प्रतिकूल नेटवर्क में, ग्रेडिएंट रिवर्सल परत क्या पूरा करती है?
   • यह स्रोत और लक्ष्य को अप्रभेद्य बनाने के लिए फीचर एक्सट्रैक्टर पर दबाव डालता है
   • यह अनुमान के दौरान डोमेन क्लासिफायरियर को हटा देता है
   • यह तेज़ प्रशिक्षण के लिए सीखने की दर को दोगुना कर देता है
   • यह प्रतिगमन आउटपुट को वर्गीकरण लेबल में परिवर्तित करता है
3. क्या 'अपर्यवेक्षित' डोमेन अनुकूलन विशेष रूप से उपयोगी है?
   • इसके लिए किसी मॉडल प्रशिक्षण की आवश्यकता नहीं है
   • यह केवल छवि डेटा पर काम करता है
   • यह स्रोत डोमेन की आवश्यकता को समाप्त कर देता है
   • इसे लक्ष्य डोमेन में किसी लेबल वाले डेटा की आवश्यकता नहीं है
4. कौन सा परिदृश्य डोमेन शिफ्ट का उत्कृष्ट उदाहरण है?
   • एक मॉडल को ठीक उसी डेटासेट पर प्रशिक्षित और परीक्षण किया गया
   • एक स्कैनर पर प्रशिक्षित ट्यूमर क्लासिफायर दूसरे स्कैनर पर विफल हो रहा है
   • एक मॉडल जो परिमाणीकरण के बाद तेजी से चलता है
   • किसी अन्य नेटवर्क की तुलना में अधिक परतों वाला नेटवर्क
5. 'स्रोत-मुक्त' डोमेन अनुकूलन विधि किससे बचने के लिए डिज़ाइन की गई है?
   • अनुकूलन के दौरान मूल स्रोत प्रशिक्षण डेटा तक पहुँचना
   • किसी भी तंत्रिका नेटवर्क आर्किटेक्चर का उपयोग करना
   • किसी भी आउटपुट पूर्वानुमान का उत्पादन करना
   • आधुनिक जीपीयू पर चल रहा है
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