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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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