Quiz KAV Pertemuan 3

Dalam konteks deskriptor tekstual untuk analisis audio, apa perbedaan fundamental antara informasi yang ditangkap oleh low-level descriptors (LLDs) akustik dan informasi tekstual?

• LLDs menangkap 'bagaimana' sesuatu dikatakan, teks menangkap 'apa' yang dikatakan

• LLDs menangkap 'apa' yang dikatakan, teks menangkap 'bagaimana' mengatakannya

• Keduanya menangkap informasi yang sama namun dengan representasi berbeda

• LLDs hanya untuk musik, teks hanya untuk ucapan

• Tidak ada perbedaan fundamental antara keduanya

Dalam algoritma Porter's Stemmer, kata "occupational" akan menjadi:

• occupation

• occupy

• occupational (tidak berubah)

• occup

• national

Rumus Information Gain untuk seleksi fitur kata adalah:

• IG(S,w)=H(S)+∑v​∣S∣∣Sv​∣​H(Sv​)

• IG(S,w)=H(S)−∑v​∣S∣∣Sv​∣​H(Sv​)

• IG(S,w)=∑v​∣S∣∣Sv​∣​H(Sv​)−H(S)

• IG(S,w)=H(S)×∑v​∣S∣∣Sv​∣​H(Sv​)

• IG(S,w)=∣S∣H(S)​−H(Sv​)

metode TF-IDF, jika sebuah kata muncul di semua dokumen dalam korpus, maka nilai IDF-nya akan:

• Maksimal

• Sama dengan TF

• Minimal (mendekati 0)

• Tidak terdefinisi

• Selalu bernilai 1

Keunggulan utama Bag of Character N-grams (BoCNG) dibandingkan Bag of Words adalah:

• Komputasi lebih cepat

• Selalu menghasilkan akurasi lebih tinggi

• Tidak memerlukan preprocessing

• Lebih mudah diinterpretasi

• Implicit stemming dan robustness terhadap spelling variations

arsitektur Whisper, audio 30 detik dengan frame rate 10ms menghasilkan berapa frame sebelum konvolusi?

• 6000 frame

• 300 frame

• 3000 frame

• 1500 frame

• 30000 frame

Pada sistem HuBERT, raw audio 16kHz dikompresi menjadi representasi 20ms melalui 7 lapisan konvolusi dengan total kompresi:

• 320x

• 160x

• 640x

• 80x

• 1280x

cross-attention mechanism pada decoder ASR, Key (K) dan Value (V) berasal dari:

• Output decoder layer sebelumnya

• Input audio langsung

• Output encoder (H^enc)

• Embedding positional

• Language model eksternal

Teacher forcing dalam training encoder-decoder ASR berarti:

• Model dilatih dengan reinforcement learning

• Training dilakukan dengan supervised learning

• Model belajar dari multiple teachers

• Decoder history menggunakan ground truth, bukan prediksi model

• Encoder dipaksa menggunakan representasi tertentu

Jika dalam evaluasi ASR terdapat 5 substitusi, 2 insersi, 1 delesi dari 20 kata referensi, maka WER adalah:

• 25%

• 30%

• 35%

• 40%

• 45%