Kuiz berkaitan panduan · Keras Tahap

Kuiz Ucapan Penyeliaan Sendiri HuBERT

Semak cara HuBERT mencipta sasaran terbitan kluster untuk audio bertopeng, mengulangi label dan menilai perwakilan yang dipelajari pada penanda aras pertuturan.

Laluan panduan yang berkaitanUcapan Sendiri Hubert
soalan 1 daripada 8

Bagaimanakah HuBERT menjana sasaran yang cuba diramalkan semasa latihan?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Bagaimanakah HuBERT menjana sasaran yang cuba diramalkan semasa latihan?
    • Luar talian k-bermaksud pengelompokan ciri audio ke dalam unit tersembunyi
    • Transkrip manusia
    • Label hingar rawak
    • Berbeza dengan sampel distraktor
  2. Apakah model teks terkenal yang mengilhamkan skim latihan ramalan bertopeng HuBERT?
    • GPT-3
    • BERT
    • ResNet
    • Word2Vec
  3. Bagaimanakah HuBERT menambah baik label sasarannya berbanding lelaran latihan berturut-turut?
    • Ia mengupah lebih ramai anotasi
    • Ia menambahkan lagi bunyi mentah
    • Ia mengelompokkan semula menggunakan perwakilan dalaman yang dipertingkatkan oleh model itu sendiri
    • Ia membekukan kumpulan pertama selama-lamanya
  4. Apakah ciri yang biasanya dikelompokkan dalam lelaran pertama HuBERT?
    • Kata transkrip akhir
    • Piksel imej
    • Pembenaman ID pembesar suara
    • Ciri akustik MFCC yang ringkas
  5. Mengapakah HuBERT boleh mempelajari struktur yang berguna walaupun pengelompokannya tidak sempurna?
    • Ia hanya perlu meramalkan ID kelompok pada kedudukan bertopeng, yang kekal sebagai tugas yang konsisten
    • Ia mengabaikan kluster sepenuhnya
    • Ia menggunakan pengelompokan oracle yang sempurna
    • Ia menghafal set ujian
  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