Gids-gekoppelde quiz · Moeilijk Niveau

Minimale Bayes-risicodecoderingsquiz

Test het verwachte nut, bemonsterde pseudo-referenties, kwadratische kandidaatvergelijkingen, metrische limieten en de beperkingen van de kandidatenpool van MBR-decodering.

Gerelateerde gidspadenMinimale Bayes-risicodecodering
Vraag 1 van 8

Wat selecteert MBR-decodering in plaats van de meest waarschijnlijke reeks?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat selecteert MBR-decodering in plaats van de meest waarschijnlijke reeks?
    • De kandidaat met het hoogste verwachte nut ten opzichte van andere waarschijnlijke resultaten
    • De kortste reeks
    • Een willekeurig monster
    • De langste reeks
  2. Wat gebruikt MBR als pseudo-referenties, aangezien echte referenties niet beschikbaar zijn?
    • Een vast extern corpus
    • De pool van bemonsterde kandidaat-uitvoer zelf
    • Menselijke annotaties
    • Het trainingsset
  3. Waarom is naïeve MBR computationeel duur?
    • Het vereist herscholing van het model
    • Er is een grotere woordenschat nodig
    • Paarsgewijze vergelijking van N kandidaten is O(N kwadraat) metrische oproepen
    • Het gebruikt geen GPU
  4. What has COMET been used for in minimum Bayes risk machine-translation experiments?
    • As a universal guarantee of better translation quality
    • As a tokenizer for the candidate pool
    • As an exact reference translation available at inference
    • As a learned utility metric in evaluated translation settings
  5. Zelfconsistentie in redeneren heeft betrekking op MBR omdat het:
    • Proeft vele ketens en kiest het meest overeengekomen antwoord
    • Neemt altijd het eerste voorbeeldantwoord
    • Maakt gebruik van straalonderzoek intern
    • Negeert de distributie van het model
  6. How is risk generally expressed in minimum Bayes risk decision-making?
    • Always one minus a normalized similarity score
    • Expected loss under a chosen loss function and reference distribution
    • The model’s parameter count divided by accuracy
    • The number of candidates sampled
  7. If the chosen utility metric disagrees with human judgments, what will MBR primarily optimize?
    • Human preference automatically overrides the metric
    • The model’s raw next-token likelihood
    • The expected utility under that selected metric
    • The shortest candidate in the pool
  8. If a high-quality answer is missing from the sampled candidate pool, what can MBR do?
    • It guarantees the missing answer is generated
    • It changes the model weights to add the answer
    • It replaces the utility metric with a human reference
    • It can only select or rerank candidates that are in the pool