Коннекціоністська часова класифікаційна вікторина

Відповіді та пояснення з’являються під час виконання тесту.

1. Для вирішення якої основної проблеми розпізнавання мовлення розроблено CTC?
   • Вирівнювання несегментованих звукових кадрів для виведення тексту без міток на рівні кадру
   • Стиснення аудіофайлів для зберігання
   • Переклад мовлення з однієї мови на іншу
   • Видалення фонового шуму із записів
2. Для чого використовується спеціальний «порожній» маркер у CTC?
   • Для позначення лише кінця речення
   • Для відображення «нового виводу тут немає» та для розділення справжніх повторюваних символів
   • Зберігати ймовірність мовної моделі
   • Для позначення тиші в оригінальній звуковій формі
3. Як CTC обчислює втрати для цільової транскрипції?
   • Він вибирає єдине найбільш ймовірне вирівнювання та ігнорує решту
   • Він порівнює значення пікселів кадр за кадром
   • Він підсумовує ймовірності всіх дійсних шляхів кадрів, які згортаються до цільового тексту
   • Він усереднює амплітуду звуку за часом
4. Які два правила згортання застосовує CTC, щоб перетворити шлях кадру на остаточний текст?
   • Напишіть великі літери, потім додайте розділові знаки
   • Переверніть послідовність, потім видаліть голосні
   • Додайте пробіли, а потім перекладіть на фонеми
   • Об’єднайте послідовні повторювані символи, а потім видаліть порожні маркери
5. Яке спрощене припущення робить стандартний CTC щодо своїх виходів?
   • Передбачення кожного кадру є умовно незалежним від інших з урахуванням звуку
   • Результати значною мірою залежать від раніше виданих символів
   • Аудіо має тривати рівно одну секунду
   • Кожен персонаж займає рівно один кадр
6. Чому в CTC часто надають перевагу пошукові променів із злитою мовною моделлю перед жадібним декодуванням?
   • Він працює швидше на кожному пристрої
   • Це компенсує відсутність у CTC внутрішньої мовної моделі, покращуючи точність
   • Це усуває потребу в порожньому маркері
   • Це усуває необхідність навчання мережі
7. What length constraint does CTC place on an output sequence relative to input frames?
   • The target must always have exactly the same length as the input
   • The target must contain twice as many labels as input frames
   • The target cannot require more output labels than there are input time steps
   • CTC requires a fixed 256-token output
8. How can CTC compute the sum over many valid alignments without explicitly listing every path?
   • By selecting one random path and ignoring all others
   • By running a separate language model for every audio frame
   • By sorting the transcript alphabetically
   • Using a forward-backward dynamic-programming recurrence over an alignment lattice