도메인 적응 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 도메인 적응은 주로 어떤 문제를 해결하기 위해 설계되었나요?
   • 모델 매개변수 수 줄이기
   • GPU에서 행렬 곱셈 속도 향상
   • 테스트 데이터가 훈련 데이터와 다를 때 성능 저하
   • 자동으로 합성 학습 라벨 생성
2. 도메인 적대 네트워크에서 그래디언트 반전 레이어는 무엇을 수행합니까?
   • 소스와 대상을 구별할 수 없도록 기능 추출기를 푸시합니다.
   • 추론 중에 도메인 분류자를 삭제합니다.
   • 더 빠른 훈련을 위해 학습 속도를 두 배로 늘립니다.
   • 회귀 출력을 분류 레이블로 변환합니다.
3. '비지도' 도메인 적응이 특히 유용한 이유는 무엇입니까?
   • 모델 교육이 전혀 필요하지 않습니다.
   • 이미지 데이터에서만 작동합니다.
   • 소스 도메인이 필요하지 않습니다.
   • 대상 도메인에는 레이블이 지정된 데이터가 필요하지 않습니다.
4. 도메인 이동의 전형적인 예는 무엇입니까?
   • 정확히 동일한 데이터 세트에서 훈련 및 테스트된 모델
   • 한 스캐너에서 훈련된 종양 분류기가 다른 스캐너에서는 실패함
   • 양자화 후 더 빠르게 실행되는 모델
   • 다른 네트워크보다 더 많은 레이어를 가진 네트워크
5. 피하도록 설계된 '소스 프리' 도메인 적응 방법은 무엇입니까?
   • 적응 중 원본 소스 훈련 데이터에 액세스
   • 신경망 아키텍처 사용
   • 출력 예측 생성
   • 최신 GPU에서 실행
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