Dwuścieżkowy quiz dotyczący separacji RNN

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaki problem przede wszystkim rozwiązuje Dual-Path RNN?
   • Modelowanie niezwykle długich sekwencji audio, które przytłaczają pojedynczy RNN
   • Generowanie nowej muzyki z tekstu
   • Kompresja plików audio do przechowywania
   • Wykrywanie używanego języka
2. Jakie są dwie „ścieżki” w dwuścieżkowym RNN?
   • Koder i dekoder
   • Nawrót wewnątrz fragmentów (lokalny) i między fragmentami (globalny).
   • Odtwarzanie dźwięku do przodu i do tyłu
   • Ścieżki uczenia i wnioskowania
3. W jaki sposób przygotowywana jest długa sekwencja cech przed blokami o podwójnej ścieżce?
   • Jest konwertowany na pojedynczy wektor średni
   • Zamienia się je w żetony tekstowe
   • Jest on podzielony na krótkie, nakładające się fragmenty, tworzące siatkę 2D
   • Próbkowanie jest zmniejszane do jednej próbki
4. Do jakich istniejących ram wrzucono DPRNN jako zamiennik separatora?
   • Model obrazu dyfuzyjnego
   • Tylko dekoder mowy na tekst
   • Wokoder oparty na GAN
   • Struktura kodera/dekodera Conv-TasNet
5. Który późniejszy model zachował dwuścieżkową strukturę DPRNN, ale zastąpił RNN transformatorami?
   • SepFormer
   • Sieć WaveNet
   • BERT
   • Takotron
6. Dlaczego przetwarzanie fragmentów pomaga w stabilności treningu?
   • Eliminuje to potrzebę stosowania jakiejkolwiek funkcji straty
   • Każdy RNN widzi tylko krótką podsekwencję, unikając bardzo długich łańcuchów podpór
   • Automatycznie eliminuje wszystkie nakładające się głośniki
   • Konwertuje dźwięk na obrazy
7. How are processed overlapping chunks recombined into the output sequence?
   • By sorting them alphabetically
   • By averaging all chunks into one frame
   • By overlap-add across the chunk positions
   • By converting them into text tokens
8. On which benchmark did the DPRNN paper report its 20-times-smaller model comparison?
   • MUSDB18
   • ImageNet
   • LibriTTS
   • WSJ0-2mix