Вікторина, пов’язана з посібником · важко Рівень

Вікторина HuBERT для самостійного мовлення

Перевірте, як HuBERT створює кластерні цілі для замаскованого аудіо, повторює мітки та оцінює вивчені представлення на тестах мовлення.

Пов'язані напрямні шляхиHubert Самоконтрольована промова
Питання 1 з 8

Як HuBERT створює цілі, які він намагається передбачити під час навчання?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Як HuBERT створює цілі, які він намагається передбачити під час навчання?
    • Офлайн k-означає групування аудіофункцій у приховані блоки
    • Людські стенограми
    • Мітки випадкового шуму
    • Контраст із зразками дистракторів
  2. Яка відома модель тексту надихнула HuBERT на схему навчання замаскованого передбачення?
    • ГПТ-3
    • БЕРТ
    • ResNet
    • Word2Vec
  3. Як HuBERT покращує свої цільові мітки протягом послідовних ітерацій навчання?
    • Він наймає більше анотаторів
    • Це додає більше необробленого шуму
    • Він повторно кластеризується за допомогою власних покращених внутрішніх представлень моделі
    • Це назавжди заморожує перше кластеризування
  4. Які функції зазвичай згруповані в найпершій ітерації HuBERT?
    • Остаточні слова транскрипції
    • Пікселі зображення
    • Вбудовані ідентифікатори спікера
    • Прості акустичні функції MFCC
  5. Чому HuBERT може вивчати корисну структуру, навіть якщо її кластеризація недосконала?
    • Потрібно лише передбачити ідентифікатори кластерів у замаскованих позиціях, що залишається послідовним завданням
    • Він повністю ігнорує кластери
    • Він використовує ідеальну кластеризацію оракула
    • Він запам'ятовує набір тестів
  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 і COCO
    • GLUE and SuperGLUE
    • SQuAD and TriviaQA
    • LibriSpeech and Libri-light