Kuis Adaptasi Domain

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Masalah apa yang terutama dirancang untuk dipecahkan oleh adaptasi domain?
   • Mengurangi jumlah parameter model
   • Mempercepat perkalian matriks pada GPU
   • Performa menurun ketika data pengujian berbeda dengan data pelatihan
   • Menghasilkan label pelatihan sintetis secara otomatis
2. Dalam jaringan permusuhan domain, apa yang dicapai oleh lapisan pembalikan gradien?
   • Ini mendorong ekstraktor fitur untuk membuat sumber dan target tidak dapat dibedakan
   • Ini menghapus pengklasifikasi domain selama inferensi
   • Ini menggandakan kecepatan pembelajaran untuk pelatihan yang lebih cepat
   • Ini mengubah keluaran regresi menjadi label klasifikasi
3. Apa yang membuat adaptasi domain 'tanpa pengawasan' sangat berguna?
   • Itu tidak memerlukan pelatihan model sama sekali
   • Ini hanya berfungsi pada data gambar
   • Ini menghilangkan kebutuhan akan domain sumber
   • Tidak memerlukan data berlabel di domain target
4. Skenario manakah yang merupakan contoh klasik peralihan domain?
   • Sebuah model dilatih dan diuji pada kumpulan data yang sama persis
   • Pengklasifikasi tumor yang dilatih pada satu pemindai gagal pada pemindai lain
   • Model yang berjalan lebih cepat setelah kuantisasi
   • Jaringan dengan lebih banyak lapisan dibandingkan jaringan lainnya
5. Apa yang harus dihindari oleh metode adaptasi domain 'bebas sumber'?
   • Mengakses data pelatihan sumber asli selama adaptasi
   • Menggunakan arsitektur jaringan saraf apa pun
   • Menghasilkan prediksi keluaran apa pun
   • Berjalan pada GPU modern
6. Sebuah tim memulai adaptasi dari model yang telah dilatih sebelumnya secara luas. Apa yang masih harus diukur?
   • Hanya parameter yang dihitung
   • Hanya akurasi pelatihan sumber
   • Kinerja pada data target aktual dan tugas
   • Apakah evaluasi target dapat dilewati
7. Kepala DANN mana yang memberikan tujuan untuk membedakan contoh sumber dari contoh target?
   • Kosakata label tugas
   • Pengklasifikasi domain
   • File pos pemeriksaan pengoptimal
   • Dimensi penyematan keluaran tetap
8. Apakah pembalikan gradien berarti mengubah label kelas positif menjadi label kelas negatif?
   • Ya; setiap label tugas dinegasikan
   • Ya; semua sampel target diberi label ulang sebagai sumber
   • TIDAK; itu membekukan setiap bobot fitur
   • Tidak; itu membalikkan gradien domain ke dalam ekstraktor fitur