가이드 연계 퀴즈 · 하드 레벨

HuBERT 자기주도 스피치 퀴즈

HuBERT가 마스크된 오디오에 대한 클러스터 파생 대상을 생성하고, 레이블을 반복하고, 음성 벤치마크에서 학습된 표현을 평가하는 방법을 확인하세요.

관련 가이드 경로Hubert 자기 감독 연설
질문 1 의 8

HuBERT는 훈련 중에 예측하려는 목표를 어떻게 생성합니까?

모든 질문 미리보기8 질문

퀴즈를 풀면 정답과 설명이 나타납니다.

  1. HuBERT는 훈련 중에 예측하려는 목표를 어떻게 생성합니까?
    • 오프라인 k-는 오디오 기능을 숨겨진 단위로 클러스터링하는 것을 의미합니다.
    • 인간 성적표
    • 무작위 노이즈 라벨
    • 산만한 샘플과 대조
  2. HuBERT의 마스크 예측 훈련 계획에 영감을 준 잘 알려진 텍스트 모델은 무엇입니까?
    • GPT-3
    • 버트
    • 레스넷
    • Word2Vec
  3. HuBERT는 연속적인 훈련 반복을 통해 목표 라벨을 어떻게 개선합니까?
    • 더 많은 주석자를 고용합니다.
    • 더 많은 원시 노이즈를 추가합니다.
    • 모델 자체의 향상된 내부 표현을 사용하여 다시 클러스터링합니다.
    • 첫 번째 클러스터링을 영원히 동결합니다.
  4. HuBERT의 첫 번째 반복에는 일반적으로 어떤 기능이 클러스터되어 있습니까?
    • 최종 성적표 단어
    • 이미지 픽셀
    • 스피커 ID 임베딩
    • 간단한 MFCC 음향 기능
  5. 클러스터링이 불완전한 경우에도 HuBERT가 유용한 구조를 학습할 수 있는 이유는 무엇입니까?
    • 일관된 작업을 유지하는 마스크된 위치에서만 클러스터 ID를 예측하면 됩니다.
    • 클러스터를 완전히 무시합니다.
    • 완벽한 오라클 클러스터링을 사용합니다.
    • 테스트 세트를 기억합니다.
  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?
    • 이미지넷과 COCO
    • GLUE and SuperGLUE
    • SQuAD and TriviaQA
    • LibriSpeech and Libri-light