Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Domain-adaptációs kvíz

Test source and target shifts, reversed domain gradients, target-label scarcity, source-free methods, and separate classifier objectives.

Kapcsolódó útmutató utakDomain adaptáció
kérdés 1 -ból 8

Milyen probléma megoldására hivatott elsősorban a domain adaptáció?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Milyen probléma megoldására hivatott elsősorban a domain adaptáció?
    • A modellparaméterek számának csökkentése
    • A mátrixszorzás felgyorsítása a GPU-kon
    • Teljesítménycsökkenés, ha a tesztadatok eltérnek az edzési adatoktól
    • Szintetikus edzéscímkék automatikus generálása
  2. Mit ér el a színátmenet megfordító rétege egy tartomány-ellenálló hálózatban?
    • Megnyomja a funkciókivonót, hogy a forrás és a cél megkülönböztethetetlen legyen
    • A következtetés során törli a tartományosztályozót
    • Megduplázza a tanulási sebességet a gyorsabb edzés érdekében
    • A regressziós kimeneteket osztályozási címkékké alakítja
  3. Mi teszi különösen hasznossá a „felügyelet nélküli” tartomány-adaptációt?
    • Egyáltalán nem igényel modellképzést
    • Csak képadatokon működik
    • Kiküszöböli a forrástartomány szükségességét
    • Nincs szüksége címkézett adatokra a céltartományban
  4. Melyik forgatókönyv a tartományváltás klasszikus példája?
    • Pontosan ugyanazon az adatkészleten betanított és tesztelt modell
    • Az egyik szkennerre kiképzett daganatosztályozó meghibásodik egy másik szkenneren
    • Olyan modell, amely kvantálás után gyorsabban fut
    • Több rétegű hálózat, mint egy másik hálózat
  5. Mi az a „forrásmentes” tartomány-adaptációs módszer, amelyet az elkerülésére terveztek?
    • Az eredeti forrásból származó képzési adatok elérése az adaptáció során
    • Bármilyen neurális hálózati architektúra használata
    • Bármilyen kimeneti előrejelzés létrehozása
    • Modern GPU-kon fut
  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