Quiz połączony z przewodnikiem · Ciężko Poziom

Quiz dotyczący dekodowania minimalnego ryzyka Bayesa

Testuje oczekiwaną użyteczność, próbkowane pseudoodniesienia, kwadratowe porównania kandydatów, limity metryczne i ograniczenia puli kandydatów w dekodowaniu MBR.

Powiązane ścieżki prowadząceDekodowanie minimalnego ryzyka Bayesa
Pytanie 1 z 8

Co wybiera dekodowanie MBR zamiast pojedynczej najbardziej prawdopodobnej sekwencji?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Co wybiera dekodowanie MBR zamiast pojedynczej najbardziej prawdopodobnej sekwencji?
    • Kandydat o najwyższej oczekiwanej użyteczności w porównaniu z innymi prawdopodobnymi wynikami
    • Najkrótsza sekwencja
    • Losowa próbka
    • Najdłuższa sekwencja
  2. Ponieważ prawdziwe odniesienia są niedostępne, czego MBR używa jako pseudoodniesień?
    • Stały korpus zewnętrzny
    • Sama pula wybranych wyników kandydatów
    • Adnotacje ludzkie
    • Zestaw treningowy
  3. Dlaczego naiwny MBR jest kosztowny obliczeniowo?
    • Wymaga to przeszkolenia modelu
    • Przydałoby się większe słownictwo
    • Porównanie parami N kandydatów to wywołania metryczne O (N kwadrat).
    • Nie wykorzystuje procesora graficznego
  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. Spójność w rozumowaniu odnosi się do MBR, ponieważ:
    • Próbuje wiele łańcuchów i wybiera najbardziej uzgodnioną odpowiedź
    • Zawsze wybiera pierwszą próbkę odpowiedzi
    • Używa wewnętrznie wyszukiwania belek
    • Ignoruje rozkład modelu
  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