Feb, 2018

DP-GAN：促进多样性的生成对抗网络用于生成丰富多样化文本

HTML
PDF
TL;DR本研究提出了一种基于DP-GAN模型的文本生成方法，在语言模型鉴别器的基础上使用低奖励惩罚重复生成的文本，高奖励鼓励生成信息丰富且多样化的文本，并在评论和对话生成任务中证明了相较现有基准模型生成的文本更为丰富多样。
发现论文，激发创造
  • 对抗特征匹配的文本生成

    该研究提出了一种通过敌对训练生成逼真文本的框架，采用了 LSTM 作为生成器，卷积网络作为判别器，并使用核距离度量匹配真实和合成句子的高维潜在特征分布，从而缓解了模式崩溃问题，并在定量评估方面表现出优越性，证明了该模型可以生成逼真的句子。

    Jun, 2017

  • 通过泄露信息的对抗训练实现长文本生成

    本文提出了一种名为LeakGAN的新框架来解决长文本生成中缺乏中间信息的问题，通过引入高级特征来指导生成模型，LeakGAN在长文本生成和短文本生成任务中都表现出了较好的性能，并且无需监督学习即可隐式地学习句子结构。

    Sep, 2017

  • 神经文本生成：回顾、现状与未来

    本文系统调查了近期神经文本生成模型的发展，并在两个着名数据集上进行基准实验，讨论其性质和实践结果。

    Mar, 2018

  • 准确评估GAN在语言生成中的性能

    本文讨论了用于语言生成的生成对抗网络(GANs)模型的评估指标问题，认为现有的评估指标无法全面准确地反映模型更真实的表现，提出了一些更适合从质量和多样性方面评估GAN模型的新指标，并通过实验证明了相比传统语言模型(LM)，目前的GAN模型在语言生成方面的表现并没有明显优势。

    Jun, 2018

  • TextKD-GAN：使用知识蒸馏和生成对抗网络生成文本

    本文提出一种使用知识蒸馏的方法来有效利用生成对抗网络（GAN）进行文本生成，通过将自编码器（AE）用于提供连续的句子表示来演示该方法。实验结果表明，相较于传统的基于GAN的文本生成方法而言，该方法在BLEU得分和Jensen-Shannon距离（JSD）方面表现更好。

    Apr, 2019

  • CatGAN：基于分类感知的逐层进化学习的生成对抗网络用于类别文本生成

    本文提出了一种基于类别感知的 GAN 模型，通过分类感知模型和分层进化算法，实现高质量分类文本的生成，同时解决了传统 GAN 模型难以训练，样本崩塌等问题，并在实验中表现优于现有大多数同类模型。

    Nov, 2019

  • 使用比较歧视的自对抗学习进行文本生成

    提出了一种新的自我对抗学习（SAL）范式，通过使用相对鉴别器作为GAN的鉴别器，并引入自我改进奖励机制，成功地解决了GAN在生成文本方面的奖励稀疏性和模式崩溃问题，并在文本生成基准数据集上取得了更高质量和更稳定的性能表现。

    Jan, 2020

  • Meta-CoTGAN：一种元合作训练方法提升对抗性文本生成

    本文提出一种新的方法，通过引入协作训练和元学习机制，有效地减缓了对抗性生成网络中的模式崩溃，实现了在生成质量和多样性方面显著胜过基线方法的结果。

    Mar, 2020

  • 使用生成对抗网络进行文本生成的调查

    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

  • 特征感知条件生成对抗网络用于类别文本生成

    提出了一种用于可控的分类文本生成的新型生成对抗网络（GAN）框架，FA-GAN，通过改进文本GAN的离散性、训练不稳定性、模式坍缩、缺乏多样性和可控性等问题来生成具有指定类别的句子。实验证明，FA-GAN在文本分类的六个数据集上的性能始终优于其他10种最先进的文本生成方法。案例研究表明，FA-GAN生成的合成句子能够匹配所需类别，并且具有良好的可读性、流畅性和文本真实性。

    Aug, 2023