Alan Adı Uyarlama Sınavı

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Etki alanı uyarlaması öncelikle hangi sorunu çözmek için tasarlanmıştır?
   • Model parametrelerinin sayısının azaltılması
   • GPU'larda matris çarpımını hızlandırma
   • Test verileri eğitim verilerinden farklı olduğunda performans düşüşü
   • Sentetik eğitim etiketlerinin otomatik olarak oluşturulması
2. Etki alanı-düşmanlı bir ağda, degrade tersine çevirme katmanı neyi başarır?
   • Kaynak ve hedefi ayırt edilemez hale getirmek için özellik çıkarıcıyı zorlar
   • Çıkarım sırasında etki alanı sınıflandırıcısını siler
   • Daha hızlı eğitim için öğrenme oranını iki katına çıkarır
   • Regresyon çıktılarını sınıflandırma etiketlerine dönüştürür
3. 'Denetimsiz' etki alanı uyarlamasını özellikle yararlı kılan şey nedir?
   • Hiçbir model eğitimi gerektirmez
   • Yalnızca görüntü verileri üzerinde çalışır
   • Kaynak etki alanına olan ihtiyacı ortadan kaldırır
   • Hedef alanda etiketlenmiş veriye ihtiyaç duymaz
4. Hangi senaryo alan değişikliğinin klasik bir örneğidir?
   • Tamamen aynı veri kümesi üzerinde eğitilen ve test edilen bir model
   • Bir tarayıcıda eğitilmiş bir tümör sınıflandırıcısı farklı bir tarayıcıda başarısız oluyor
   • Kuantizasyondan sonra daha hızlı çalışan bir model
   • Başka bir ağdan daha fazla katmana sahip bir ağ
5. Kaçınılması için tasarlanmış 'kaynaksız' alan adı uyarlama yöntemi nedir?
   • Adaptasyon sırasında orijinal kaynak eğitim verilerine erişim
   • Herhangi bir sinir ağı mimarisini kullanma
   • Herhangi bir çıktı tahmini üretmek
   • Modern GPU'larda çalışıyor
6. A team starts adaptation from a broadly pretrained model. What should it still measure?
   • Yalnızca parametre sayısı
   • 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