Тест, свързан с ръководство · трудно Ниво

HuBERT Тест за самостоятелна реч

Проверете как HuBERT създава получени от клъстер цели за маскирано аудио, итерира етикети и оценява научените представяния на говорни показатели.

Свързани ръководни пътекиХюбърт Самоконтролирана реч
Въпрос 1 на 8

Как HuBERT генерира целите, които се опитва да предвиди по време на обучение?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Как HuBERT генерира целите, които се опитва да предвиди по време на обучение?
    • Офлайн k-означава групиране на аудио функции в скрити единици
    • Човешки преписи
    • Етикети за произволен шум
    • Контраст срещу проби от дистрактор
  2. Какъв добре познат текстов модел е вдъхновил схемата за обучение на HuBERT с маскирани прогнози?
    • GPT-3
    • БЕРТ
    • ResNet
    • Word2Vec
  3. Как HuBERT подобрява своите целеви етикети при последователни итерации на обучение?
    • Наема повече анотатори
    • Добавя повече суров шум
    • Той се групира повторно, като използва собствените подобрени вътрешни представяния на модела
    • Замразява първото клъстериране завинаги
  4. Какви функции обикновено са групирани в първата итерация на HuBERT?
    • Крайни думи на препис
    • Пиксели на изображението
    • Вграждане на ID на високоговорителя
    • Опростени акустични характеристики на MFCC
  5. Защо HuBERT може да научи полезна структура, дори когато клъстерирането му е несъвършено?
    • Трябва само да предскаже идентификатори на клъстери в маскирани позиции, което остава последователна задача
    • Той напълно игнорира клъстерите
    • Той използва перфектно клъстериране на оракул
    • Той запомня набора от тестове
  6. Which pretraining challenge does HuBERT address by using offline cluster labels?
    • Speech has no temporal structure
    • There is no lexicon of sound units available during pretraining
    • Every speaker uses the same pitch
    • Audio contains no repeated patterns
  7. In the HuBERT paper, what relative WER reductions did the 1B-parameter model report on dev-other and test-other?
    • Exactly 50% on both sets
    • No measurable change on either set
    • Up to 19% on dev-other and 13% on test-other
    • Up to 13% on dev-other and 19% on test-other
  8. Which benchmark sets did the original HuBERT paper use for speech-recognition results?
    • ImageNet и COCO
    • GLUE and SuperGLUE
    • SQuAD and TriviaQA
    • LibriSpeech and Libri-light