Questionário vinculado ao guia · Difícil Nível

Questionário de treinamento invariante de permutação

Teste como o treinamento invariante à permutação lida com saídas não ordenadas do locutor e por que a atribuição do nível de elocução é importante durante a separação de vários locutores.

Caminhos de guia relacionadosTreinamento Invariante de Permutação
Pergunta 1 de 8

Qual problema central o treinamento invariante de permutação (PIT) resolve?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Qual problema central o treinamento invariante de permutação (PIT) resolve?
    • Decidir qual canal de saída deve corresponder a qual alto-falante durante o treinamento
    • Compactando áudio para armazenamento
    • Reduzindo custos de hardware de microfone
    • Traduzindo discurso separado em texto
  2. Como o PIT decide qual erro usar ao atualizar o modelo?
    • Ele calcula a média do erro em todas as saídas igualmente
    • Ele tenta todos os pares de saída para fonte e mantém aquele com o menor erro
    • Sempre atribui a voz mais alta à saída 1
    • Ignora totalmente as referências
  3. Sem uma solução como o PIT, o que tendia a acontecer com os resultados do modelo de separação?
    • Eles ficaram perfeitamente limpos imediatamente
    • Eles correram muito mais rápido
    • Eles produziram resultados médios borrados devido a atribuições de rótulos conflitantes
    • Eles não exigiram dados de treinamento
  4. Para separar N falantes, quantas permutações o PIT deve considerar por etapa?
    • N (linear em alto-falantes)
    • N ao quadrado
    • Sempre exatamente dois
    • N fatorial
  5. Que vantagem o PIT em nível de expressão (uPIT) adiciona em relação à atribuição em nível de quadro?
    • Ele mantém o alto-falante em um canal de saída estável durante todo o enunciado
    • Elimina a necessidade de quaisquer referências
    • Funciona apenas com música, não com fala
    • Dobra o número de alto-falantes
  6. Qual abordagem pode contornar completamente o problema da permutação?
    • Aumentando a taxa de bits de áudio
    • Extração de alto-falante alvo que condiciona uma sugestão de voz de referência
    • Usando apenas gravações mono
    • Desativando retropropagação
  7. What extra inference step does utterance-level PIT avoid compared with frame-level PIT?
    • Running speech recognition before source separation
    • Estimating the number of microphones in the recording
    • Solving an additional output-speaker permutation problem during inference
    • Recomputing the training loss after every generated word
  8. Which benchmark does the guide name as an example for evaluating speech-separation models?
    • LibriSpeech for single-speaker transcription
    • ImageNet for visual recognition
    • GLUE for language understanding
    • WSJ0-2mix for overlapping-speaker separation