Bài kiểm tra có liên kết hướng dẫn · Cứng Cấp độ

Bài kiểm tra bài phát biểu tự giám sát của HuBERT

Kiểm tra cách HuBERT tạo các mục tiêu bắt nguồn từ cụm cho âm thanh bị che, lặp lại nhãn và đánh giá các cách trình bày đã học về điểm chuẩn giọng nói.

Đường dẫn hướng dẫn liên quanBài phát biểu tự giám sát của Hubert
Câu hỏi 1 của 8

HuBERT tạo ra các mục tiêu mà nó cố gắng dự đoán trong quá trình đào tạo như thế nào?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. HuBERT tạo ra các mục tiêu mà nó cố gắng dự đoán trong quá trình đào tạo như thế nào?
    • K-mean ngoại tuyến phân cụm các tính năng âm thanh thành các đơn vị ẩn
    • Bảng điểm của con người
    • Nhãn tiếng ồn ngẫu nhiên
    • Tương phản với các mẫu phân tâm
  2. Mô hình văn bản nổi tiếng nào đã truyền cảm hứng cho chương trình đào tạo dự đoán đeo mặt nạ của HuBERT?
    • GPT-3
    • BERT
    • ResNet
    • Word2Vec
  3. HuBERT cải thiện nhãn mục tiêu của mình qua các lần đào tạo liên tiếp như thế nào?
    • Nó thuê thêm người chú thích
    • Nó thêm nhiều tiếng ồn thô
    • Nó phân cụm lại bằng cách sử dụng các biểu diễn bên trong được cải tiến của chính mô hình
    • Nó đóng băng cụm đầu tiên mãi mãi
  4. Những tính năng nào thường được nhóm lại trong lần lặp đầu tiên của HuBERT?
    • Lời phiên âm cuối cùng
    • Pixel hình ảnh
    • Nhúng ID người nói
    • Tính năng âm thanh MFCC đơn giản
  5. Tại sao HuBERT có thể học cấu trúc hữu ích ngay cả khi việc phân cụm của nó không hoàn hảo?
    • Nó chỉ cần dự đoán ID cụm ở các vị trí bị che, đây vẫn là một nhiệm vụ nhất quán
    • Nó bỏ qua các cụm hoàn toàn
    • Nó sử dụng một cụm oracle hoàn hảo
    • Nó ghi nhớ bộ kiểm tra
  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 và COCO
    • GLUE and SuperGLUE
    • SQuAD and TriviaQA
    • LibriSpeech and Libri-light