全部来自 AI 原创生成并经逐题审校的题目，带 精品 标记的为 AI 复审通过。整卷生成请去组卷。
判断：采用解释方式执行程序，要求解释器必须把源程序逐字符翻译并立即执行，且不能在执行前对源程序作任何整体分析。
登录后查看答案
判断：采用编译方式时，编译器会在目标程序生成前发现源程序中的所有错误；采用解释方式时，错误则只能在执行到相应语句时发现。
判断：解释方式通常在运行前将整个源程序翻译成可独立执行的目标程序，然后再执行该程序。
判断：图像分类流程先从输入图像提取特征，再由分类器依据特征输出整幅图像的类别；若将特征提取与分类器的先后次序倒置，流程仍然等价。
判断题：在图像分类的卷积神经网络中，某层神经元的感受野是指该神经元在原始输入图像上所对应的区域；随着网络层次加深，感受野通常会增大，因此浅层神经元更关注局部细节，深层神经元更能整合整体语义。
设完全 DFA 的状态集为 {s,u,v,f}，初态为 s，终态集为 {f}，字母表为 {a,b}。转移规定为：s 读 a 到 u、读 b 到 f；u 读 a 到 u、读 b 到 f；v 读 a 到 v、读 b 到 f；f 读 a、b 均到 f。判断：该 DFA 最小化后至少需要 3 个状态。
判断题：设字母表 Σ={a,b}，正则表达式 a(b|a)* 所表示的正规集是所有以 a 开头的符号串构成的集合。
判断：某研究平台把每条记录的姓名替换为随机编号，并称此举属于差分隐私，因为外部使用者看不到真实姓名。
在状态完全可观测、转移规则确定的环境中，智能体于时刻 t 感知状态 sₜ 并执行动作 aₜ。若下一时刻的环境状态为 T(sₜ,aₜ)，那么只记录 sₜ、完全忽略 aₜ 对环境的作用，仍足以完整描述该智能体的感知—决策—行动循环。
某语言模型先在大规模、多领域文本上学习语言规律，再用少量标注的医疗问答数据调整参数以适应医疗问答任务。判断：这种做法符合“预训练后微调”的范式，且预训练所学的通用语言规律可以迁移到该下游任务。
判断：预训练阶段学到的通用语言规律只能在预训练任务中使用；要迁移到新的下游任务，必须准备大量标注数据进行微调。
判断：单层感知机先对输入加权求和，再将结果与阈值比较以产生输出；因此，它只能表示线性可分的分类边界。
判断：某学习小组对经典算法的归类提出如下结论——线性回归与决策树均通过带标签数据训练模型，属于监督学习；聚类算法（如K-means）无需标签即可发现数据内在结构，属于无监督学习；K近邻算法虽然训练阶段几乎不构建显式模型，但预测时依赖带标签的训练样本进行投票，因此仍属于监督学习；而强化学习通过智能体与环境交互获得奖励信号来学习策略，不属于上述监督或无监督范式。以上归类结论是否完全正确？
判断题：强化学习与监督学习的本质区别在于，强化学习依据环境反馈的延迟回报来调整策略，训练数据中不存在逐步标注的正确动作标签，因此强化学习也属于无监督学习。
判断：编译器前端负责生成目标机器代码，后端负责对源程序进行词法、语法和语义分析。
对抗样本是指攻击者向模型输入中刻意添加人眼难以察觉的微小扰动，使模型以高置信度输出错误结果。有观点认为，该扰动本质上属于训练数据中的随机噪声，因此只要使用更干净、更充分的训练集，就能从根本上消除对抗样本的安全威胁。该观点是否正确？
判断：智能体感知环境并据此行动后，行动可能改变环境，从而影响后续感知；因此，智能体的运行不是一次性的输入到输出过程。
在由局部连接层逐层堆叠的视觉网络中，深层神经元对应原始图像的区域仍只由它本层直接连接的局部范围决定，前面各层的堆叠不会扩大该区域；因此深层感受野不会比浅层更大。判断此说法。
在预训练-微调范式中，预训练阶段得到的模型参数只包含特定下游任务的知识，因此当切换到另一个下游任务时，必须用新任务的大量标注数据从头训练，否则微调无法奏效。判断这一说法是否正确。
判断下列说法是否正确：在词向量（分布式表示）中，语义相近的词会被映射为距离较近的稠密向量；因此，一个词无论出现在何种上下文中，其单一静态词向量都能准确表达该词的全部语义，不存在一词多义带来的表示困难。