Gids-gekoppelde quiz · Moeilijk Niveau
HuBERT Zelfgeleide spraakquiz
Controleer hoe HuBERT cluster‑afgeleide doelen maakt voor gemaskeerde audio, labels iteratief bijwerkt, en geleerde representaties evalueert op spraak‑benchmarks.
Vraag 1 van 8
Hoe genereert HuBERT de doelen die het tijdens de training probeert te voorspellen?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Hoe genereert HuBERT de doelen die het tijdens de training probeert te voorspellen?
- Offline k-betekent het clusteren van audiofuncties in verborgen eenheden
- Menselijke transcripties
- Willekeurige geluidslabels
- Contrasterend met afleidermonsters
- Welk bekend tekstmodel inspireerde HuBERT's trainingsschema voor gemaskerde voorspellingen?
- GPT-3
- BERT
- ResNet
- Woord2Vec
- Hoe verbetert HuBERT zijn doellabels tijdens opeenvolgende trainingsiteraties?
- Het huurt meer annotators in
- Het voegt meer rauwe ruis toe
- Het clustert opnieuw met behulp van de verbeterde interne representaties van het model
- Het bevriest de eerste clustering voor altijd
- Welke functies zijn doorgaans geclusterd in de allereerste iteratie van HuBERT?
- Laatste transcriptiewoorden
- Beeldpixels
- Inbedding van luidspreker-ID's
- Eenvoudige akoestische MFCC-functies
- Waarom kan HuBERT een nuttige structuur leren, zelfs als de clustering ervan niet perfect is?
- Het hoeft alleen cluster-ID's op gemaskeerde posities te voorspellen, wat een consistente taak blijft
- Het negeert de clusters volledig
- Het maakt gebruik van een perfecte orakelclustering
- Het onthoudt de testset
- 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
- 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
- Which benchmark sets did the original HuBERT paper use for speech-recognition results?
- ImageNet en COCO
- GLUE and SuperGLUE
- SQuAD and TriviaQA
- LibriSpeech en Libri-light