Вікторина, пов’язана з посібником · важко Рівень

Вікторина з розшифровки мінімального ризику Байєса

Перевіряє очікувану корисність, вибіркові псевдопосилання, квадратичні порівняння кандидатів, межі метрики та обмеження пулу кандидатів декодування MBR.

Пов'язані напрямні шляхиРозшифровка мінімального ризику Байєса
Питання 1 з 8

Що вибирає декодування MBR замість єдиної найбільш імовірної послідовності?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Що вибирає декодування MBR замість єдиної найбільш імовірної послідовності?
    • Кандидат із найвищою очікуваною корисністю порівняно з іншими ймовірними результатами
    • Найкоротша послідовність
    • Випадкова вибірка
    • Найдовша послідовність
  2. Оскільки справжні посилання недоступні, що MBR використовує як псевдопосилання?
    • Фіксований зовнішній корпус
    • Пул самих вибіркових результатів кандидатів
    • Людські анотації
    • Навчальний набір
  3. Чому наївний MBR дорогий з точки зору обчислень?
    • Це вимагає перенавчання моделі
    • Для цього потрібен більший словниковий запас
    • Попарне порівняння N кандидатів є викликами метрики O(N у квадраті).
    • Він не використовує GPU
  4. What has COMET been used for in minimum Bayes risk machine-translation experiments?
    • As a universal guarantee of better translation quality
    • As a tokenizer for the candidate pool
    • As an exact reference translation available at inference
    • As a learned utility metric in evaluated translation settings
  5. Самоузгодженість у міркуванні стосується MBR, оскільки вона:
    • Вибирає багато ланцюжків і вибирає найбільш узгоджену відповідь
    • Завжди береться перша вибіркова відповідь
    • Використовує внутрішній пошук за променем
    • Ігнорує розподіл моделі
  6. How is risk generally expressed in minimum Bayes risk decision-making?
    • Always one minus a normalized similarity score
    • Expected loss under a chosen loss function and reference distribution
    • The model’s parameter count divided by accuracy
    • The number of candidates sampled
  7. If the chosen utility metric disagrees with human judgments, what will MBR primarily optimize?
    • Human preference automatically overrides the metric
    • The model’s raw next-token likelihood
    • The expected utility under that selected metric
    • The shortest candidate in the pool
  8. If a high-quality answer is missing from the sampled candidate pool, what can MBR do?
    • It guarantees the missing answer is generated
    • It changes the model weights to add the answer
    • It replaces the utility metric with a human reference
    • It can only select or rerank candidates that are in the pool