Test legat de ghid · Greu Nivel

Test de vorbire auto-supravegheat HuBERT

Check how HuBERT creates cluster-derived targets for masked audio, iterates labels, and evaluates learned representations on speech benchmarks.

Căi de ghidare aferenteDiscurs autosupervizat Hubert
Întrebare 1 de 8

Cum generează HuBERT țintele pe care încearcă să le prezică în timpul antrenamentului?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Cum generează HuBERT țintele pe care încearcă să le prezică în timpul antrenamentului?
    • Offline k-înseamnă gruparea caracteristicilor audio în unități ascunse
    • Transcrieri umane
    • Etichete aleatorii de zgomot
    • Contrast cu mostrele distractor
  2. Ce model de text binecunoscut a inspirat schema de antrenament pentru predicții mascate a lui HuBERT?
    • GPT-3
    • BERT
    • ResNet
    • Word2Vec
  3. Cum își îmbunătățește HuBERT etichetele țintă în timpul iterațiilor succesive de antrenament?
    • Angajează mai mulți adnotatori
    • Adaugă mai mult zgomot brut
    • Se regrupează folosind reprezentările interne îmbunătățite ale modelului
    • Îngheață pentru totdeauna primul grupare
  4. Ce caracteristici sunt de obicei grupate în prima iterație a lui HuBERT?
    • Cuvintele de transcriere finală
    • Pixeli de imagine
    • Încorporarea ID-ului difuzorului
    • Caracteristici acustice simple MFCC
  5. De ce poate HuBERT să învețe structura utilă chiar și atunci când gruparea ei este imperfectă?
    • Trebuie doar să prezică ID-urile clusterului în pozițiile mascate, ceea ce rămâne o sarcină consecventă
    • Ignoră în totalitate clusterele
    • Utilizează o grupare perfectă de oracle
    • Memorează setul de testare
  6. Which pretraining challenge does HuBERT address by using offline cluster labels?
    • Speech has no temporal structure
    • There is no lexicon of sound units available during pretraining
    • Every speaker uses the same pitch
    • Audio contains no repeated patterns
  7. In the HuBERT paper, what relative WER reductions did the 1B-parameter model report on dev-other and test-other?
    • Exactly 50% on both sets
    • No measurable change on either set
    • Up to 19% on dev-other and 13% on test-other
    • Up to 13% on dev-other and 19% on test-other
  8. Which benchmark sets did the original HuBERT paper use for speech-recognition results?
    • ImageNet și COCO
    • GLUE and SuperGLUE
    • SQuAD and TriviaQA
    • LibriSpeech and Libri-light