Тест на адаптацию домена

Ответы и пояснения появляются по мере прохождения теста.

1. Какую проблему в первую очередь призвана решить доменная адаптация?
   • Уменьшение количества параметров модели
   • Ускорение умножения матриц на графических процессорах
   • Падение производительности, когда тестовые данные отличаются от обучающих данных
   • Автоматическое создание синтетических обучающих меток
2. Какую функцию выполняет слой обращения градиента в доменно-состязательной сети?
   • Он подталкивает экстрактор функций, чтобы сделать источник и цель неразличимыми.
   • Он удаляет классификатор домена во время вывода.
   • Это удваивает скорость обучения для более быстрого обучения
   • Он преобразует результаты регрессии в метки классификации.
3. Что делает «неконтролируемую» адаптацию предметной области особенно полезной?
   • Это вообще не требует обучения модели.
   • Он работает только с данными изображения.
   • Это устраняет необходимость в исходном домене.
   • Ему не нужны размеченные данные в целевом домене.
4. Какой сценарий является классическим примером смены домена?
   • Модель, обученная и протестированная на одном и том же наборе данных.
   • Классификатор опухолей, обученный на одном сканере, дает сбой на другом сканере
   • Модель, которая работает быстрее после квантования
   • Сеть с большим количеством слоев, чем другая сеть
5. Чего призван избежать метод адаптации предметной области «без исходников»?
   • Доступ к исходным данным обучения во время адаптации
   • Использование любой архитектуры нейронной сети
   • Создание любых выходных прогнозов
   • Работа на современных графических процессорах
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