Test de adaptare a domeniului

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Ce problemă este concepută în primul rând pentru a rezolva adaptarea domeniului?
   • Reducerea numărului de parametri ai modelului
   • Accelerarea înmulțirii matricelor pe GPU-uri
   • Scăderea performanței atunci când datele de testare diferă de datele de antrenament
   • Generarea automată a etichetelor de antrenament sintetice
2. Într-o rețea adversară de domeniu, ce realizează stratul de inversare a gradientului?
   • Împinge extractorul de caracteristici pentru a face sursa și ținta imposibil de distins
   • Acesta șterge clasificatorul de domeniu în timpul inferenței
   • Dublează rata de învățare pentru un antrenament mai rapid
   • Convertește rezultatele regresiei în etichete de clasificare
3. Ce face ca adaptarea domeniului „nesupravegheată” să fie deosebit de utilă?
   • Nu necesită deloc pregătire pentru model
   • Funcționează doar pe date de imagine
   • Elimină necesitatea unui domeniu sursă
   • Nu are nevoie de date etichetate în domeniul țintă
4. Care scenariu este un exemplu clasic de schimbare a domeniului?
   • Un model antrenat și testat pe același set de date
   • Un clasificator de tumori instruit pe un scaner care eșuează pe un alt scaner
   • Un model care rulează mai repede după cuantizare
   • O rețea cu mai multe straturi decât o altă rețea
5. Ce este o metodă de adaptare a domeniului „fără sursă” concepută pentru a evita?
   • Accesarea datelor de antrenament surse originale în timpul adaptării
   • Folosind orice arhitectură de rețea neuronală
   • Producerea oricăror predicții de ieșire
   • Rulează pe GPU-uri moderne
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