本文利用自编码器生成低维度语句向量空间,再用生成对抗网络利用这个空间生成真实文本,与竞争基线相比,经人工审核和 BLEU 分数表明模型可以生成逼真的文本。
Oct, 2018
本文提出了一种基于生成对抗网络和对抗性训练的正则化方法,可以在神经语言模型中防止过拟合,与常见的对抗性训练方法相比,本方法不需要经过时间的二次反向传播,并且其开销不超过基准方法的 20%。
Nov, 2022
本研究通过采用大批处理、密集奖励和鉴别器规则等现有技术来稳定和改善语言生成对抗网络,从而成功实现了 ScratchGAN 的从零训练,并表明其在语料库 EMNLP2017 News 和 WikiText-103 上的质量和多样性指标相当于最大似然训练。
May, 2019
本文探讨了使用 GAN 自学习等机制解决自然语言生成中离散输出空间问题;通过实验表明,提出的模型在中文古诗生成数据集上取得了最新的高分,可以生成自由语序和概率性上下文无关语法。此外还介绍了一个条件模型,可根据句子特征生成序列。
May, 2017
利用递归神经网络和深度卷积生成对抗网络构建了新的深度架构和 GAN 公式,将字符转换为像素,有效地将文本和图像建模相结合,从而实现了从详细文本描述中生成花和鸟的逼真图像的能力。
May, 2016
该研究提出了一种基于生成对抗网络的系统,可以合成手写单词的合成图像,并在将其与现有训练数据集集成后通过改进通用 GAN 体系结构进行离线手写文本识别。
Mar, 2019
本篇论文介绍了最近使用生成对抗网络进行文本生成的研究和进展,并对基于对抗学习的文本生成的三种可能选择(即 Gumbel-Softmax 分化,强化学习和修改训练目标)进行了综述。
Dec, 2022
本文提出了一种名为 TESGAN 的框架,使用连续文本嵌入空间而非离散标记以解决梯度反向传播的问题,通过无监督学习来克服数据记忆问题,从而能够合成具有潜力的新句子。
Jun, 2023
本文介绍了一种使用协作式判别器架构来生成逼真文本样本的生成合作网络方法,并通过各种有效的解码方案实现了两项主要 NLG 任务的最优结果。
Jan, 2022
本文提出一种基于预训练语言模型的文本生成生成对抗性学习框架,采用对比鉴别器和近端策略优化来稳定和改进文本生成性能,实验证明该方法在无条件和有条件文本生成任务上均优于 MLE 基线。
Apr, 2020