Útmutatóhoz kapcsolódó kvíz · Kemény Szint
HuBERT önfelügyelt beszédkvíz
Check how HuBERT creates cluster-derived targets for masked audio, iterates labels, and evaluates learned representations on speech benchmarks.
kérdés 1 -ból 8
Hogyan állítja elő a HuBERT azokat a célpontokat, amelyeket edzés közben próbál megjósolni?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Hogyan állítja elő a HuBERT azokat a célpontokat, amelyeket edzés közben próbál megjósolni?
- Az offline k-az audio funkciók rejtett egységekbe csoportosítását jelenti
- Emberi átiratok
- Véletlenszerű zajcímkék
- Kontraszt a disztraktor mintákkal
- Milyen jól ismert szövegmodell ihlette HuBERT maszkos jóslás képzési rendszerét?
- GPT-3
- BERT
- ResNet
- Word2Vec
- Hogyan javítja a HuBERT célcímkéit az egymást követő oktatási iterációkhoz képest?
- Több annotátort alkalmaz
- Több nyers zajt ad hozzá
- A modell saját továbbfejlesztett belső reprezentációinak felhasználásával újra klaszterezi
- Örökre leállítja az első klaszterezést
- Milyen jellemzők találhatók jellemzően a HuBERT legelső iterációjában?
- Utolsó átírási szavak
- Képpontok
- Hangszóróazonosító beágyazások
- Egyszerű MFCC akusztikai jellemzők
- Miért tanulhat meg a HuBERT hasznos struktúrát még akkor is, ha a klaszterezése tökéletlen?
- Csak a maszkolt pozíciókban lévő fürtazonosítókat kell megjósolnia, ami konzisztens feladat marad
- Teljesen figyelmen kívül hagyja a klasztereket
- Tökéletes oracle klaszterezést használ
- Megjegyzi a tesztkészletet
- 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 és COCO
- GLUE and SuperGLUE
- SQuAD and TriviaQA
- LibriSpeech and Libri-light