Mit dem Guide verknüpftes Quiz · Schwer Ebene

Quiz zur Decodierung des minimalen Bayes-Risikos

Testet den erwarteten Nutzen, abgetastete Pseudoreferenzen, quadratische Kandidatenvergleiche, metrische Grenzwerte und die Kandidatenpool-Einschränkungen der MBR-Dekodierung.

Verwandte FührungspfadeMinimale Bayes-Risiko-Dekodierung
Frage 1 von 8

Was wählt die MBR-Dekodierung anstelle der einzelnen wahrscheinlichsten Sequenz aus?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Was wählt die MBR-Dekodierung anstelle der einzelnen wahrscheinlichsten Sequenz aus?
    • Der Kandidat mit dem höchsten erwarteten Nutzen im Vergleich zu anderen wahrscheinlichen Ergebnissen
    • Die kürzeste Sequenz
    • Eine Zufallsstichprobe
    • Die längste Sequenz
  2. Was verwendet MBR als Pseudoreferenzen, da echte Referenzen nicht verfügbar sind?
    • Ein fester externer Korpus
    • Der Pool der Stichprobenkandidaten gibt sich selbst aus
    • Menschliche Anmerkungen
    • Das Trainingsset
  3. Warum ist naiver MBR rechenintensiv?
    • Es erfordert eine Neuschulung des Modells
    • Es braucht einen größeren Wortschatz
    • Der paarweise Vergleich von N Kandidaten erfolgt durch O(N-Quadrat)-Metrikaufrufe
    • Es verwendet keine GPU
  4. What has COMET been used for in minimum Bayes risk machine-translation experiments?
    • As a universal guarantee of better translation quality
    • As a tokenizer for the candidate pool
    • As an exact reference translation available at inference
    • As a learned utility metric in evaluated translation settings
  5. Selbstkonsistenz in der Argumentation bezieht sich auf MBR, weil es:
    • Probiert viele Ketten aus und wählt die Antwort aus, bei der man sich am meisten einig ist
    • Nimmt immer die erste Stichprobenantwort
    • Verwendet intern die Strahlsuche
    • Ignoriert die Verteilung des Modells
  6. How is risk generally expressed in minimum Bayes risk decision-making?
    • Always one minus a normalized similarity score
    • Expected loss under a chosen loss function and reference distribution
    • The model’s parameter count divided by accuracy
    • The number of candidates sampled
  7. If the chosen utility metric disagrees with human judgments, what will MBR primarily optimize?
    • Human preference automatically overrides the metric
    • The model’s raw next-token likelihood
    • The expected utility under that selected metric
    • The shortest candidate in the pool
  8. If a high-quality answer is missing from the sampled candidate pool, what can MBR do?
    • It guarantees the missing answer is generated
    • It changes the model weights to add the answer
    • It replaces the utility metric with a human reference
    • It can only select or rerank candidates that are in the pool