Rehber bağlantılı sınav · Sert Seviye

HuBERT Öz Denetimli Konuşma Sınavı

HuBERT'in maskelenmiş ses için kümeden türetilmiş hedefleri nasıl oluşturduğunu, etiketleri yinelediğini ve öğrenilen temsilleri konuşma kıyaslamalarında nasıl değerlendirdiğini kontrol edin.

İlgili kılavuz yollarıHubert Öz Denetimli Konuşma
Soru 1 arasında 8

HuBERT eğitim sırasında tahmin etmeye çalıştığı hedefleri nasıl oluşturuyor?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. HuBERT eğitim sırasında tahmin etmeye çalıştığı hedefleri nasıl oluşturuyor?
    • Çevrimdışı k-ses özelliklerinin gizli birimler halinde kümelenmesi anlamına gelir
    • İnsan transkriptleri
    • Rastgele gürültü etiketleri
    • Dikkat dağıtıcı örneklerle kontrast oluşturma
  2. HuBERT'in maskeli tahmin eğitim planına hangi iyi bilinen metin modeli ilham verdi?
    • GPT-3
    • BERT
    • ResNet
    • Word2Vec
  3. HuBERT, ardışık eğitim yinelemeleri boyunca hedef etiketlerini nasıl geliştiriyor?
    • Daha fazla açıklayıcıyı işe alıyor
    • Daha fazla ham gürültü ekler
    • Modelin kendi geliştirilmiş dahili temsillerini kullanarak yeniden kümelenir
    • İlk kümelenmeyi sonsuza kadar dondurur
  4. HuBERT'in ilk yinelemesinde genellikle hangi özellikler kümelenmiştir?
    • Son transkript kelimeleri
    • Resim pikselleri
    • Konuşmacı kimliği yerleştirmeleri
    • Basit MFCC akustik özellikleri
  5. Kümelemesi kusurlu olsa bile HuBERT neden yararlı yapıyı öğrenebiliyor?
    • Yalnızca maskelenmiş konumlardaki küme kimliklerini tahmin etmesi gerekiyor; bu da tutarlı bir görev olmaya devam ediyor
    • Kümeleri tamamen yok sayar
    • Mükemmel bir oracle kümelemesi kullanır
    • Test setini ezberler
  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 ve COCO
    • GLUE and SuperGLUE
    • SQuAD and TriviaQA
    • LibriSpeech and Libri-light