แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการปรับโดเมน

ทดสอบการเปลี่ยนแปลงแหล่งที่มาและเป้าหมาย การไล่ระดับสีโดเมนแบบย้อนกลับ ความขาดแคลนป้ายกำกับเป้าหมาย วิธีการที่ไม่มีแหล่งที่มา และวัตถุประสงค์ของตัวแยกประเภทที่แยกจากกัน

เส้นทางแนะนำที่เกี่ยวข้องการปรับโดเมน
คำถาม 1 ของ 8

การปรับโดเมนได้รับการออกแบบมาเพื่อแก้ปัญหาเป็นหลักอย่างไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. การปรับโดเมนได้รับการออกแบบมาเพื่อแก้ปัญหาเป็นหลักอย่างไร
    • การลดจำนวนพารามิเตอร์โมเดล
    • เร่งการคูณเมทริกซ์บน GPU
    • ประสิทธิภาพลดลงเมื่อข้อมูลการทดสอบแตกต่างจากข้อมูลการฝึกอบรม
    • สร้างฉลากการฝึกอบรมสังเคราะห์โดยอัตโนมัติ
  2. ในเครือข่ายโดเมน-ฝ่ายตรงข้าม เลเยอร์การกลับตัวแบบไล่ระดับสีทำอะไรได้บ้าง
    • มันผลักดันตัวแยกคุณสมบัติเพื่อทำให้แหล่งที่มาและเป้าหมายแยกไม่ออก
    • มันจะลบตัวแยกประเภทโดเมนระหว่างการอนุมาน
    • เพิ่มอัตราการเรียนรู้เป็นสองเท่าเพื่อการฝึกอบรมที่รวดเร็วยิ่งขึ้น
    • โดยจะแปลงเอาต์พุตการถดถอยเป็นป้ายกำกับการจำแนกประเภท
  3. อะไรทำให้การปรับโดเมนแบบ 'ไม่ได้รับการดูแล' มีประโยชน์อย่างยิ่ง
    • ไม่จำเป็นต้องฝึกอบรมโมเดลเลย
    • ใช้งานได้กับข้อมูลภาพเท่านั้น
    • โดยไม่จำเป็นต้องใช้โดเมนต้นทาง
    • ไม่ต้องการข้อมูลที่ติดป้ายกำกับในโดเมนเป้าหมาย
  4. สถานการณ์ใดเป็นตัวอย่างคลาสสิกของการเปลี่ยนแปลงโดเมน
    • โมเดลที่ได้รับการฝึกและทดสอบบนชุดข้อมูลเดียวกันทุกประการ
    • เครื่องแยกประเภทเนื้องอกที่ได้รับการฝึกในเครื่องสแกนเครื่องหนึ่ง แต่ล้มเหลวในเครื่องสแกนอีกเครื่องหนึ่ง
    • โมเดลที่ทำงานเร็วขึ้นหลังจากการหาปริมาณ
    • เครือข่ายที่มีเลเยอร์มากกว่าเครือข่ายอื่น
  5. วิธีการปรับโดเมน 'ไม่มีแหล่งที่มา' ที่ออกแบบมาเพื่อหลีกเลี่ยงคืออะไร
    • การเข้าถึงข้อมูลการฝึกอบรมแหล่งที่มาดั้งเดิมระหว่างการปรับตัว
    • การใช้สถาปัตยกรรมโครงข่ายประสาทเทียมใดๆ
    • สร้างการคาดการณ์ผลลัพธ์ใด ๆ
    • ทำงานบน GPU ที่ทันสมัย
  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