گائیڈ سے منسلک کوئز · مشکل سطح

HuBERT خود زیر نگرانی تقریر کوئز

چیک کریں کہ HuBERT کس طرح نقاب پوش آڈیو کے لیے کلسٹر سے ماخوذ اہداف تخلیق کرتا ہے، لیبلز کو اعادہ کرتا ہے، اور اسپیچ بینچ مارکس پر سیکھی ہوئی نمائندگی کا جائزہ لیتا ہے۔

متعلقہ گائیڈ کے راستےہیوبرٹ کی خود نگرانی کی گئی تقریر
سوال 1 کی 8

HuBERT تربیت کے دوران ان اہداف کو کیسے تیار کرتا ہے جن کی وہ پیشین گوئی کرنے کی کوشش کرتا ہے؟

ہر سوال کا جائزہ لیں۔8 سوالات

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

  1. HuBERT تربیت کے دوران ان اہداف کو کیسے تیار کرتا ہے جن کی وہ پیشین گوئی کرنے کی کوشش کرتا ہے؟
    • آف لائن k- کا مطلب ہے آڈیو خصوصیات کو پوشیدہ اکائیوں میں کلسٹر کرنا
    • انسانی نقلیں
    • بے ترتیب شور کے لیبل
    • ڈسٹریکٹر نمونوں کے خلاف تضاد
  2. کس معروف ٹیکسٹ ماڈل نے HuBERT کی نقاب پوش پیشین گوئی کی تربیتی اسکیم کو متاثر کیا؟
    • GPT-3
    • بی آر ٹی
    • ریس نیٹ
    • Word2Vec
  3. ہیوبرٹ پے در پے تربیتی تکرار پر اپنے ہدف کے لیبلز کو کیسے بہتر بناتا ہے؟
    • یہ مزید تشریح کرنے والوں کی خدمات حاصل کرتا ہے۔
    • یہ مزید خام شور کا اضافہ کرتا ہے۔
    • یہ ماڈل کی اپنی بہتر اندرونی نمائندگی کا استعمال کرتے ہوئے دوبارہ کلسٹر کرتا ہے۔
    • یہ پہلے کلسٹرنگ کو ہمیشہ کے لیے منجمد کر دیتا ہے۔
  4. HuBERT کی پہلی تکرار میں عام طور پر کون سی خصوصیات کلسٹر ہوتی ہیں؟
    • حتمی نقل کے الفاظ
    • تصویری پکسلز
    • اسپیکر ID ایمبیڈنگز
    • سادہ MFCC صوتی خصوصیات
  5. کیوں HuBERT مفید ڈھانچہ سیکھ سکتا ہے یہاں تک کہ جب اس کا کلسٹرنگ نامکمل ہے؟
    • اسے صرف نقاب پوش پوزیشنوں پر کلسٹر آئی ڈی کی پیشن گوئی کرنے کی ضرورت ہے، جو ایک مستقل کام رہتا ہے۔
    • یہ کلسٹرز کو مکمل طور پر نظر انداز کرتا ہے۔
    • یہ ایک کامل اوریکل کلسٹرنگ کا استعمال کرتا ہے۔
    • یہ ٹیسٹ سیٹ کو حفظ کرتا ہے۔
  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?
    • امیج نیٹ اور کوکو
    • GLUE and SuperGLUE
    • SQuAD and TriviaQA
    • LibriSpeech and Libri-light