Kvíz spojený s průvodcem · Těžko úroveň
Samokontrolovaný řečový kvíz HuBERT
Zkontrolujte, jak HuBERT vytváří cíle odvozené od clusteru pro maskovaný zvuk, iteruje štítky a vyhodnocuje naučené reprezentace v testech řeči.
Otázka 1 z 8
Jak HuBERT generuje cíle, které se snaží předvídat během tréninku?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jak HuBERT generuje cíle, které se snaží předvídat během tréninku?
- Offline k-znamená seskupení zvukových funkcí do skrytých jednotek
- Lidské přepisy
- Náhodné šumové štítky
- Kontrastní proti vzorkům distraktoru
- Jaký známý textový model inspiroval HuBERTovo schéma školení s maskovanou predikcí?
- GPT-3
- BERT
- ResNet
- Word2Vec
- Jak HuBERT zlepšuje své cílové štítky během po sobě jdoucích iterací školení?
- Najímá více anotátorů
- Přidává více syrového šumu
- Znovu seskupuje pomocí vlastních vylepšených interních reprezentací modelu
- Zmrazí první shlukování navždy
- Jaké funkce jsou obvykle seskupeny v úplně první iteraci HuBERT?
- Slova závěrečného přepisu
- Obrazové pixely
- Vložení ID reproduktoru
- Jednoduché akustické vlastnosti MFCC
- Proč se může HuBERT naučit užitečnou strukturu, i když je její shlukování nedokonalé?
- Potřebuje pouze předpovídat ID clusteru na maskovaných pozicích, což zůstává konzistentní úkol
- Klastry zcela ignoruje
- Využívá dokonalé shlukování orákula
- Uloží si testovací sadu do paměti
- 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
- 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
- Which benchmark sets did the original HuBERT paper use for speech-recognition results?
- ImageNet a COCO
- GLUE and SuperGLUE
- SQuAD and TriviaQA
- LibriSpeech and Libri-light