Quiz lié à un guide · Difficile Niveau

Quiz de décodage du risque minimum de Bayes

Teste l'utilité attendue, les pseudo-références échantillonnées, les comparaisons quadratiques de candidats, les limites métriques et les contraintes du pool de candidats du décodage MBR.

Chemins de guidage associésDécodage minimum du risque Bayesien
Question 1 de 8

Que sélectionne le décodage MBR à la place de la séquence la plus probable ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Que sélectionne le décodage MBR à la place de la séquence la plus probable ?
    • Le candidat avec l'utilité attendue la plus élevée par rapport à d'autres résultats probables
    • La séquence la plus courte
    • Un échantillon aléatoire
    • La séquence la plus longue
  2. Puisque les vraies références ne sont pas disponibles, qu’est-ce que MBR utilise comme pseudo-références ?
    • Un corpus externe fixe
    • Le pool de résultats candidats échantillonnés eux-mêmes
    • Annotations humaines
    • L'ensemble de formation
  3. Pourquoi le MBR naïf est-il coûteux en termes de calcul ?
    • Cela nécessite de recycler le modèle
    • Il faut un vocabulaire plus large
    • La comparaison par paire de N candidats correspond à des appels métriques O (N au carré)
    • Il n'utilise aucun 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. L'autocohérence du raisonnement est liée au MBR car elle :
    • Échantillonne de nombreuses chaînes et choisit la réponse la plus convenue
    • Prend toujours la première réponse échantillonnée
    • Utilise la recherche de faisceau en interne
    • Ignore la distribution du modèle
  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