Тест, свързан с ръководство · трудно Ниво

Тест за обучение по инвариант на пермутация

Тествайте как инвариантното към пермутация обучение се справя с неподредените изходи на високоговорителите и защо присвояването на ниво на изказване има значение по време на разделянето на много говорещи.

Свързани ръководни пътекиПермутационно инвариантно обучение
Въпрос 1 на 8

Какъв основен проблем решава пермутационното инвариантно обучение (PIT)?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какъв основен проблем решава пермутационното инвариантно обучение (PIT)?
    • Решаване кой изходен канал трябва да съответства на кой високоговорител по време на тренировка
    • Компресиране на аудио за съхранение
    • Намаляване на разходите за хардуер на микрофона
    • Превод на отделена реч в текст
  2. Как PIT решава коя грешка да използва при актуализиране на модела?
    • Той усреднява еднакво грешката за всички изходи
    • Той опитва всяко сдвояване изход към източник и запазва този с най-ниска грешка
    • Винаги присвоява най-високия глас на изход 1
    • Той напълно игнорира препратките
  3. Без решение като PIT, какво се случваше с изходите на модела за разделяне?
    • Веднага станаха идеално чисти
    • Бягаха много по-бързо
    • Те произвеждат замъглени, осреднени резултати поради противоречиви назначения на етикети
    • Те не изискват данни за обучение
  4. За разделяне на N високоговорителя, колко пермутации трябва да вземе предвид PIT на стъпка?
    • N (линейни високоговорители)
    • N на квадрат
    • Винаги точно две
    • N факториел
  5. Какво предимство добавя PIT на ниво изказване (uPIT) пред присвояването на ниво рамка?
    • Той поддържа говорещия в стабилен изходен канал през цялото изказване
    • Това премахва необходимостта от всякакви препратки
    • Работи само с музика, не и с реч
    • Удвоява броя на високоговорителите
  6. Кой подход може да заобиколи проблема с пермутациите?
    • Увеличаване на аудио битрейта
    • Извличане на целевия говорител, което зависи от референтна гласова реплика
    • Използване само на моно записи
    • Деактивиране на обратното разпространение
  7. What extra inference step does utterance-level PIT avoid compared with frame-level PIT?
    • Running speech recognition before source separation
    • Estimating the number of microphones in the recording
    • Solving an additional output-speaker permutation problem during inference
    • Recomputing the training loss after every generated word
  8. Which benchmark does the guide name as an example for evaluating speech-separation models?
    • LibriSpeech for single-speaker transcription
    • ImageNet for visual recognition
    • GLUE for language understanding
    • WSJ0-2mix for overlapping-speaker separation