Koneksjonistyczny quiz dotyczący klasyfikacji czasowej

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaki podstawowy problem miał rozwiązać CTC w zakresie rozpoznawania mowy?
   • Wyrównywanie niesegmentowanych klatek audio w celu uzyskania tekstu wyjściowego bez etykiet na poziomie klatki
   • Kompresja plików audio do przechowywania
   • Tłumaczenie mowy z jednego języka na drugi
   • Usuwanie szumów tła z nagrań
2. Do czego służy specjalny „pusty” token w CTC?
   • Aby zaznaczyć tylko koniec całego zdania
   • Aby reprezentować „żadnego nowego wyniku tutaj” i oddzielić prawdziwie powtarzające się znaki
   • Do przechowywania prawdopodobieństwa modelu języka
   • Aby wskazać ciszę w oryginalnym przebiegu audio
3. W jaki sposób CTC oblicza stratę dla docelowej transkrypcji?
   • Wybiera jedno najbardziej prawdopodobne wyrównanie i ignoruje resztę
   • Porównuje wartości pikseli klatka po klatce
   • Sumuje prawdopodobieństwa wszystkich prawidłowych ścieżek klatek, które zawijają się do tekstu docelowego
   • Uśrednia amplitudę dźwięku w czasie
4. Jakie dwie zasady zwijania stosuje CTC, aby zamienić ścieżkę ramki w tekst końcowy?
   • Zacznij od wielkich liter, a następnie dodaj znaki interpunkcyjne
   • Odwróć sekwencję, a następnie usuń samogłoski
   • Dodaj spacje, a następnie przetłumacz na fonemy
   • Połącz kolejne powtarzające się znaki, a następnie usuń puste tokeny
5. Jakie upraszczające założenie przyjmuje standardowy CTC na temat wyników?
   • Przewidywanie każdej klatki jest warunkowo niezależne od pozostałych, biorąc pod uwagę dźwięk
   • Wyniki zależą w dużej mierze od wcześniej wyemitowanych znaków
   • Dźwięk musi trwać dokładnie jedną sekundę
   • Każdy znak zajmuje dokładnie jedną klatkę
6. Dlaczego wyszukiwanie wiązki za pomocą modelu języka stopionego jest często preferowane zamiast zachłannego dekodowania w CTC?
   • Działa szybciej na każdym urządzeniu
   • Kompensuje brak wewnętrznego modelu języka CTC, poprawiając dokładność
   • Eliminuje to potrzebę stosowania pustego tokena
   • Eliminuje to potrzebę uczenia sieci
7. What length constraint does CTC place on an output sequence relative to input frames?
   • The target must always have exactly the same length as the input
   • The target must contain twice as many labels as input frames
   • The target cannot require more output labels than there are input time steps
   • CTC requires a fixed 256-token output
8. How can CTC compute the sum over many valid alignments without explicitly listing every path?
   • By selecting one random path and ignoring all others
   • By running a separate language model for every audio frame
   • By sorting the transcript alphabetically
   • Using a forward-backward dynamic-programming recurrence over an alignment lattice