Quiz dotyczący adaptacji domeny

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaki problem ma przede wszystkim rozwiązać adaptacja domeny?
   • Zmniejszenie liczby parametrów modelu
   • Przyspieszenie mnożenia macierzy na procesorach graficznych
   • Spadek wydajności, gdy dane testowe różnią się od danych szkoleniowych
   • Automatyczne generowanie syntetycznych etykiet szkoleniowych
2. Co osiąga warstwa odwracania gradientu w sieci przeciwnej domeni?
   • Wypycha ekstraktor cech, aby źródło i cel były nierozróżnialne
   • Usuwa klasyfikator domeny podczas wnioskowania
   • Podwaja tempo uczenia się, zapewniając szybszy trening
   • Konwertuje wyniki regresji na etykiety klasyfikacyjne
3. Co sprawia, że adaptacja domeny „bez nadzoru” jest szczególnie przydatna?
   • Nie wymaga w ogóle szkolenia modelowego
   • Działa tylko na danych obrazu
   • Eliminuje potrzebę domeny źródłowej
   • Nie potrzebuje oznakowanych danych w domenie docelowej
4. Który scenariusz jest klasycznym przykładem zmiany domeny?
   • Model wyszkolony i przetestowany na dokładnie tym samym zestawie danych
   • Klasyfikator nowotworów przeszkolony na jednym skanerze zawodzi na innym skanerze
   • Model, który działa szybciej po kwantyzacji
   • Sieć z większą liczbą warstw niż inna sieć
5. Czego ma unikać metoda adaptacji domeny „bez źródła”?
   • Dostęp do oryginalnych źródłowych danych treningowych podczas adaptacji
   • Korzystanie z dowolnej architektury sieci neuronowej
   • Tworzenie wszelkich prognoz wyników
   • Działa na nowoczesnych procesorach graficznych
6. A team starts adaptation from a broadly pretrained model. What should it still measure?
   • Tylko liczba parametrów
   • 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