क्रमपरिवर्तन अपरिवर्तनीय प्रशिक्षण प्रश्नोत्तरी

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. क्रमपरिवर्तन अपरिवर्तनीय प्रशिक्षण (पीआईटी) किस मूल समस्या का समाधान करता है?
   • यह तय करना कि प्रशिक्षण के दौरान कौन सा आउटपुट चैनल किस स्पीकर के अनुरूप होना चाहिए
   • भंडारण के लिए ऑडियो को संपीड़ित करना
   • माइक्रोफ़ोन हार्डवेयर लागत कम करना
   • अलग किए गए भाषण का पाठ में अनुवाद करना
2. पीआईटी यह कैसे तय करता है कि मॉडल को अपडेट करते समय किस त्रुटि का उपयोग किया जाए?
   • यह सभी आउटपुट में त्रुटि का समान रूप से औसत करता है
   • यह प्रत्येक आउटपुट-टू-सोर्स पेयरिंग की कोशिश करता है और सबसे कम त्रुटि वाले को रखता है
   • यह हमेशा आउटपुट 1 को सबसे तेज़ आवाज़ निर्दिष्ट करता है
   • यह संदर्भों को पूरी तरह से नजरअंदाज कर देता है
3. पीआईटी जैसे समाधान के बिना, पृथक्करण मॉडल आउटपुट का क्या होगा?
   • वे तुरन्त पूर्णतः स्वच्छ हो गये
   • वे बहुत तेज दौड़े
   • परस्पर विरोधी लेबल असाइनमेंट के कारण उन्होंने धुंधले, औसत आउटपुट दिए
   • उन्हें किसी प्रशिक्षण डेटा की आवश्यकता नहीं थी
4. एन स्पीकर को अलग करने के लिए, पीआईटी को प्रति चरण कितने क्रमपरिवर्तन पर विचार करना चाहिए?
   • एन (स्पीकर में रैखिक)
   • एन चुकता
   • हमेशा बिल्कुल दो
   • एन फैक्टोरियल
5. उच्चारण-स्तरीय पीआईटी (यूपीआईटी) फ्रेम-स्तरीय असाइनमेंट पर क्या लाभ जोड़ता है?
   • यह स्पीकर को पूरे उच्चारण के दौरान एक स्थिर आउटपुट चैनल में रखता है
   • यह किसी भी संदर्भ की आवश्यकता को हटा देता है
   • यह केवल संगीत पर काम करता है, वाणी पर नहीं
   • इससे बोलने वालों की संख्या दोगुनी हो जाती है
6. कौन सा दृष्टिकोण क्रमपरिवर्तन समस्या को पूरी तरह से दूर कर सकता है?
   • ऑडियो बिटरेट बढ़ाना
   • लक्ष्य-स्पीकर निष्कर्षण जो संदर्भ ध्वनि संकेत पर स्थित होता है
   • केवल मोनो रिकॉर्डिंग का उपयोग करना
   • बैकप्रोपेगेशन को अक्षम करना
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