ACLAug, 2018

文本表示的敌对分解

PDF
TL;DR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。
adversarial decompositiontext representationsentence vectorssocial registerslanguage change
发现论文，激发创造
  • 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

  • 基于对抗自编码器的无平行语料跨语言分布式表示学习

    研究使用对抗自编码器从单语言分布中学习向量表示法，以实现不同自然语言间的向量兼容性，初步结果表明该技术可用于跨语言句子表达。

    Aug, 2016

  • 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

  • 学习解缠表示并应用于生物医学摘要

    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。

    Apr, 2018

  • 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

  • 学会分解：基于可比文本的假想问题分解

    本文研究大规模中介设备的预训练，在使用来自可比文本，特别是大规模平行新闻的远程监督的情况下将显式分解建模应用于自然语言理解系统。作者称使用这种中间预训练可以更容易地开发强大的显式分解模型。例如，该模型在语义分析方面取得了 20％至 30％的改进，并用于构建名为 DecompEntail 的新型显式分解问答系统。

    Oct, 2022

  • 文本输入嵌入空间的可解释对抗扰动

    该论文针对自然语言处理（NLP）中的对抗训练的方法应用于词嵌入空间进行改进，使其具有可解释性，从而实现在任务执行时的性能提升。

    May, 2018

  • 文本风格转换中的信息分解

    本文探讨使用文本风格转换框架来有效分解不同方面的文本信息的潜在表示，并提出了几种经验方法来评估信息分解的质量，通过与几种最先进的文本风格转换方法验证了这些方法。 信息分解质量的提高与输出和人类编写的改写之间的双语评估的 BLEU 分数表现出了相关性。

    Sep, 2019

  • 基于概念的弱监督对抗学习用于跨语言词嵌入

    本论文提出了一种基于概念的弱监督对抗训练方法，通过将单词映射到连续向量的分布表示法，实现不需要大量平行数据（如字典或句子对齐语料库）的语言间互译，并针对语言间距离大的情况，在大多数语言上改善了以前无监督的对抗方法的性能。

    Apr, 2019

  • 文本对抗攻击中的语义保护

    通过介绍 Semantics-Preserving-Encoder (SPE), 提出了一种解决预先训练的文本编码器中存在的问题以及提高对抗性攻击例子质量的简单，全监督的句子嵌入技术，结果表明 SPE 显著提高了对抗性攻击的质量。

    Nov, 2022