Gids-gekoppelde quiz · Middelmatig Niveau

Domeinaanpassingsquiz

Test bron- en doelverschuivingen, omgekeerde domeingradiënten, schaarste aan doellabels, bronvrije methoden en afzonderlijke classificatiedoelstellingen.

Gerelateerde gidspadenDomeinaanpassing
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  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