EMNLPApr, 2018

学习解缠表示并应用于生物医学摘要

PDF
TL;DR通过基于三元组文档之间相关性的敌对式目标，我们提出了一种学习文本的解缠混合表示方法，以实现高效的模型转移和可解释性，适用于临床试验医学摘要的嵌入，分离种群、干预措施和结果的方法效果良好，在多方面审查的实验中得证实太的使用具有很强的泛化能力。
发现论文，激发创造
  • 通过统计相似性度量学习解缠纠缠纷的文本表征

    本文研究使用统计相似度度量为基础，构建了一种新的数据表述方法，不需要深度神经网络训练，快速且精度更高地进行敏感属性的鉴别，从而避免社会偏见。

    May, 2022

  • 学习自然语言定义的解耦表示

    使用可表征语法和语义规律的定义句类别训练变分自编码器，并在多个测试中展现其成功解耦表示效果，以及在定义建模中得到的改善。

    Sep, 2022

  • 文本表示的敌对分解

    本文提出了一种文本表示的对抗性分解方法，并通过两个案例展示其能够进行精细控制元素变化，并学习连续的风格表示。该模型使用对抗性训练和特定的动机损失，并在下游任务中表现优异。

    Aug, 2018

  • 利用信息论指导改进解缠文本表示学习

    通过信息理论，提出了一种能够有效将自然语言进行解缠编码的新方法，产生了在内容和风格保留方面高质量的解缠表示，借助互信息的上界来度量风格和内容之间的相关性，实现对风格和内容嵌入成两个独立的低维空间。

    Jun, 2020

  • 文本情感操作的解耦表示

    本论文通过使用解耦表示的方式，提出了一种算法来改变文本的情感而保留语义，可以用于文本操纵、情感分析和语义保留方面。

    Dec, 2017

  • 信息论视角下的解耦文本表示学习对抗性鲁棒性

    本文从可分离表示学习的角度解决了对抗鲁棒性的挑战，并设计了一个可分离学习网络来估计互信息，实验证明该方法在对抗攻击下显著优于代表性方法，强调舍弃非鲁棒性特征对于提高对抗鲁棒性至关重要。

    Oct, 2022

  • 文本的无监督表示解缠：对合成数据集的评估

    通过从图像领域选择代表性的成功应用模型来突显在无监督设置中实现文本领域的表征分离的挑战，我们评估了这些模型在 6 个分离度量、下游分类任务和同伦方面的性能。我们提出了两个具有已知生成因素的合成数据集，以促进评估。我们的实验强调了文本领域中存在的差距，并说明了一些因素，如表征稀疏性（作为归纳偏差）或与解码器的表征耦合，可能会影响分离效果。据我们所知，我们的工作是关于无监督表征分离和文本交叉领域的第一次尝试，并为研究该方向的未来发展提供了实验框架和数据集。

    Jun, 2021

  • 非平行文本风格转换中的解耦表征学习

    本文提出了一个利用多任务和敌对目标进行辅助的简单但有效的方法，用于预测 label 和词袋模型，以此解决了语言模型中风格和内容的潜在变量发掘问题。同时有效地实现了风格迁移，并取得了较之前的最先进方法更好的迁移精度、内容保存和语言流畅度。

    Aug, 2018

  • 用一种新颖的信息论目标分解表示以实现公平分类

    从多种上下文环境的观察中提取现实的抽象表示是深度学习的一个追求目标之一。本文采用信息论的视角来研究这个问题，提出了一种新颖的正则化方法，称为 CLINIC 损失，通过大量的数值实验证明了这种方法在解缠表征与准确性之间取得更好的平衡，并且在不过于限制解缠任务的情况下具有更好的普适性。

    Oct, 2023

  • 用于基于方面相似性的研究论文的专业文档嵌入

    本文讨论了利用基于 aspect 的文本相似性测度进行科学论文推荐的问题，提出了将单一常规嵌入表示文档改为多个具有专业性的嵌入，并在 aspect 特异的嵌入空间中对其进行相似性度量的方案，有效地解决了现有方案中文档连贯性差的问题，并通过与现有方案的比较表明其优越性。

    Mar, 2022