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.

  1. 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
  2. Welk bekend tekstmodel inspireerde HuBERT's trainingsschema voor gemaskerde voorspellingen?
    • GPT-3
    • BERT
    • ResNet
    • Woord2Vec
  3. 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
  4. Welke functies zijn doorgaans geclusterd in de allereerste iteratie van HuBERT?
    • Laatste transcriptiewoorden
    • Beeldpixels
    • Inbedding van luidspreker-ID's
    • Eenvoudige akoestische MFCC-functies
  5. 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
  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 en COCO
    • GLUE and SuperGLUE
    • SQuAD and TriviaQA
    • LibriSpeech en Libri-light