Kuis terkait panduan · Keras Tingkat

Kuis Pelatihan Invarian Permutasi

Uji bagaimana pelatihan invarian permutasi menangani keluaran pembicara yang tidak berurutan dan mengapa penetapan tingkat ucapan penting selama pemisahan multi-pembicara.

Jalur panduan terkaitPelatihan Invarian Permutasi
Pertanyaan 1 dari 8

Masalah inti apa yang dipecahkan oleh pelatihan invarian permutasi (PIT)?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Masalah inti apa yang dipecahkan oleh pelatihan invarian permutasi (PIT)?
    • Memutuskan saluran keluaran mana yang harus sesuai dengan pembicara mana selama pelatihan
    • Mengompresi audio untuk penyimpanan
    • Mengurangi biaya perangkat keras mikrofon
    • Menerjemahkan ucapan terpisah ke dalam teks
  2. Bagaimana PIT memutuskan kesalahan mana yang akan digunakan saat memperbarui model?
    • Ini merata-ratakan kesalahan di semua output secara merata
    • Ia mencoba setiap pasangan keluaran-ke-sumber dan mempertahankan pasangan dengan kesalahan terendah
    • Itu selalu memberikan suara paling keras ke output 1
    • Itu mengabaikan referensi sepenuhnya
  3. Tanpa solusi seperti PIT, apa yang akan terjadi pada keluaran model pemisahan?
    • Mereka segera menjadi bersih sempurna
    • Mereka berlari lebih cepat
    • Mereka menghasilkan keluaran rata-rata yang buram karena penetapan label yang bertentangan
    • Mereka tidak memerlukan data pelatihan
  4. Untuk memisahkan N speaker, berapa banyak permutasi yang harus dipertimbangkan PIT per langkah?
    • N (linier pada speaker)
    • N kuadrat
    • Selalu tepat dua
    • N faktorial
  5. Keuntungan apa yang ditambahkan oleh PIT tingkat ucapan (uPIT) dibandingkan penugasan tingkat bingkai?
    • Ini menjaga pembicara dalam saluran keluaran yang stabil di seluruh ucapan
    • Ini menghilangkan kebutuhan akan referensi apa pun
    • Ini hanya berfungsi pada musik, bukan ucapan
    • Ini menggandakan jumlah pembicara
  6. Pendekatan manakah yang dapat menghindari masalah permutasi sama sekali?
    • Meningkatkan bitrate audio
    • Ekstraksi target-speaker yang mengkondisikan isyarat suara referensi
    • Hanya menggunakan rekaman mono
    • Menonaktifkan propagasi mundur
  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