Kuis terkait panduan · Keras Tingkat

Kuis Pidato dengan Pengawasan Mandiri HuBERT

Periksa bagaimana HuBERT membuat target turunan cluster untuk audio yang disamarkan, mengulangi label, dan mengevaluasi representasi yang dipelajari pada tolok ukur ucapan.

Jalur panduan terkaitPidato yang Diawasi Sendiri oleh Hubert
Pertanyaan 1 dari 8

Bagaimana HuBERT menghasilkan target yang coba diprediksi selama pelatihan?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Bagaimana HuBERT menghasilkan target yang coba diprediksi selama pelatihan?
    • K-means offline mengelompokkan fitur audio ke dalam unit tersembunyi
    • Transkrip manusia
    • Label kebisingan acak
    • Membandingkan dengan sampel pengecoh
  2. Model teks terkenal apa yang mengilhami skema pelatihan prediksi bertopeng HuBERT?
    • GPT-3
    • BERT
    • ResNet
    • Kata2Vec
  3. Bagaimana HuBERT meningkatkan label targetnya melalui iterasi pelatihan yang berurutan?
    • Ini mempekerjakan lebih banyak anotator
    • Ini menambah lebih banyak kebisingan mentah
    • Ini mengelompokkan ulang menggunakan representasi internal model yang telah ditingkatkan
    • Ini membekukan pengelompokan pertama selamanya
  4. Fitur apa saja yang biasanya dikelompokkan dalam iterasi pertama HuBERT?
    • Kata-kata transkrip akhir
    • Piksel gambar
    • Penyematan ID Pembicara
    • Fitur akustik MFCC sederhana
  5. Mengapa HuBERT dapat mempelajari struktur yang berguna meskipun pengelompokannya tidak sempurna?
    • Ia hanya perlu memprediksi ID klaster pada posisi bertopeng, yang tetap menjadi tugas yang konsisten
    • Itu mengabaikan cluster sepenuhnya
    • Ini menggunakan pengelompokan Oracle yang sempurna
    • Ini mengingat set tes
  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 dan COCO
    • GLUE and SuperGLUE
    • SQuAD and TriviaQA
    • LibriSpeech and Libri-light