ドメイン適応クイズ

クイズに答えると、答えと解説が表示されます。

1. ドメイン適応は主にどのような問題を解決するために設計されていますか?
   • モデルパラメータの数を減らす
   • GPU での行列乗算の高速化
   • テストデータがトレーニングデータと異なる場合のパフォーマンスの低下
   • 合成トレーニングラベルの自動生成
2. ドメイン敵対的ネットワークでは、勾配反転層は何を実現しますか?
   • 特徴抽出機能をプッシュして、ソースとターゲットを区別できなくします
   • 推論中にドメイン分類子を削除します
   • 学習速度が 2 倍になり、より迅速なトレーニングが可能になります
   • 回帰出力を分類ラベルに変換します。
3. 「教師なし」ドメイン適応が特に役立つ理由は何ですか?
   • モデルのトレーニングはまったく必要ありません
   • 画像データのみで動作します
   • ソースドメインが不要になります
   • ターゲットドメインにラベル付きデータは必要ありません
4. ドメイン シフトの典型的な例はどのシナリオですか?
   • まったく同じデータセットでトレーニングおよびテストされたモデル
   • あるスキャナーでトレーニングされた腫瘍分類器が別のスキャナーで失敗する
   • 量子化後により高速に実行されるモデル
   • 他のネットワークよりも多くの層を持つネットワーク
5. 回避するために設計された「ソースフリー」ドメイン適応方法とは何ですか?
   • 適応中の元のソース トレーニング データへのアクセス
   • 任意のニューラル ネットワーク アーキテクチャを使用する
   • 出力予測の生成
   • 最新の GPU で実行
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