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.

  1. 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
  2. Milyen jól ismert szövegmodell ihlette HuBERT maszkos jóslás képzési rendszerét?
    • GPT-3
    • BERT
    • ResNet
    • Word2Vec
  3. 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
  4. Milyen jellemzők találhatók jellemzően a HuBERT legelső iterációjában?
    • Utolsó átírási szavak
    • Képpontok
    • Hangszóróazonosító beágyazások
    • Egyszerű MFCC akusztikai jellemzők
  5. 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
  6. 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
  7. 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
  8. 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