Gids-gekoppelde quiz · Middelmatig Niveau
Domeinaanpassingsquiz
Test bron- en doelverschuivingen, omgekeerde domeingradiënten, schaarste aan doellabels, bronvrije methoden en afzonderlijke classificatiedoelstellingen.
Vraag 1 van 8
Welk probleem moet domeinadaptatie in de eerste plaats oplossen?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Welk probleem moet domeinadaptatie in de eerste plaats oplossen?
- Het aantal modelparameters verminderen
- Versnelde matrixvermenigvuldiging op GPU's
- Prestatiedaling wanneer testgegevens verschillen van trainingsgegevens
- Automatisch synthetische trainingslabels genereren
- Wat bereikt de gradiëntomkeerlaag in een domein-vijandig netwerk?
- Het stimuleert de functie-extractor om bron en doel niet van elkaar te onderscheiden
- Het verwijdert de domeinclassificator tijdens gevolgtrekking
- Het verdubbelt de leersnelheid voor snellere training
- Het zet regressie-uitvoer om in classificatielabels
- Wat maakt 'onbeheerde' domeinaanpassing bijzonder nuttig?
- Het vereist helemaal geen modeltraining
- Het werkt alleen op afbeeldingsgegevens
- Het elimineert de noodzaak van een brondomein
- Er zijn geen gelabelde gegevens nodig in het doeldomein
- Welk scenario is een klassiek voorbeeld van domeinverschuiving?
- Een model dat is getraind en getest op exact dezelfde dataset
- Een tumorclassificator die op de ene scanner is getraind, faalt op een andere scanner
- Een model dat sneller werkt na kwantisering
- Een netwerk met meer lagen dan een ander netwerk
- Wat moet een ‘bronvrije’ domeinaanpassingsmethode vermijden?
- Toegang tot de originele brontrainingsgegevens tijdens aanpassing
- Met behulp van elke neurale netwerkarchitectuur
- Het maken van eventuele outputvoorspellingen
- Draait op moderne GPU's
- 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
- 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
- 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