แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ

แบบทดสอบคำพูดควบคุมตนเองของ HuBERT

ตรวจสอบว่า HuBERT สร้างเป้าหมายที่ได้มาจากคลัสเตอร์สำหรับเสียงที่มาสก์ วนซ้ำป้ายกำกับ และประเมินการนำเสนอที่เรียนรู้เกี่ยวกับเกณฑ์มาตรฐานคำพูด

เส้นทางแนะนำที่เกี่ยวข้องสุนทรพจน์การดูแลตนเองของ Hubert
คำถาม 1 ของ 8

HuBERT สร้างเป้าหมายที่พยายามคาดการณ์ระหว่างการฝึกอย่างไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. HuBERT สร้างเป้าหมายที่พยายามคาดการณ์ระหว่างการฝึกอย่างไร
    • การรวมกลุ่มคุณสมบัติเสียงแบบออฟไลน์แบบ k-mean ลงในหน่วยที่ซ่อนอยู่
    • การถอดเสียงของมนุษย์
    • ป้ายกำกับเสียงสุ่ม
    • ตรงกันข้ามกับตัวอย่างที่รบกวนสมาธิ
  2. โมเดลข้อความที่รู้จักกันดีข้อใดเป็นแรงบันดาลใจให้กับแผนการฝึกอบรมการทำนายแบบสวมหน้ากากของ HuBERT
    • GPT-3
    • เบิร์ต
    • เรสเน็ต
    • Word2Vec
  3. HuBERT ปรับปรุงฉลากเป้าหมายผ่านการฝึกอบรมซ้ำอย่างต่อเนื่องอย่างไร
    • มีการจ้างผู้อธิบายเพิ่มเติม
    • มันเพิ่มเสียงรบกวนที่ดิบมากขึ้น
    • จัดกลุ่มใหม่โดยใช้การนำเสนอภายในที่ได้รับการปรับปรุงของโมเดลเอง
    • มันค้างกลุ่มแรกตลอดไป
  4. โดยทั่วไปฟีเจอร์ใดบ้างที่จัดกลุ่มในการทำซ้ำครั้งแรกของ HuBERT
    • คำถอดเสียงสุดท้าย
    • พิกเซลของภาพ
    • การฝังรหัสผู้พูด
    • คุณสมบัติอะคูสติก MFCC แบบธรรมดา
  5. เหตุใด HuBERT จึงสามารถเรียนรู้โครงสร้างที่เป็นประโยชน์ได้แม้ว่าการจัดกลุ่มจะไม่สมบูรณ์ก็ตาม
    • จำเป็นต้องคาดการณ์ ID คลัสเตอร์ในตำแหน่งที่ปกปิดเท่านั้น ซึ่งยังคงเป็นงานที่สอดคล้องกัน
    • โดยจะละเว้นคลัสเตอร์ทั้งหมด
    • มันใช้การจัดกลุ่มออราเคิลที่สมบูรณ์แบบ
    • มันจำชุดทดสอบ
  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?
    • อิมเมจเน็ตและโคโค่
    • GLUE and SuperGLUE
    • SQuAD and TriviaQA
    • LibriSpeech and Libri-light