本文提出了反向对抗训练算法，用于训练神经对话系统以避免生成常见的响应并更好地建模对话历史。实验结果表明，该方法可以更好地建模对话历史并生成更多样化和一致的响应。此外，我们还指出了一种广泛使用的最大互信息（MMI）方法改善对话响应生成模型多样性的问题并进行了实证。

May, 2021

通过提出 QAInfomax 作为阅读理解系统的正则化器来最大化段落、问题和答案之间的互信息，以解决现有系统无法区分搅扰句子的问题。实验证明，我们提出的 QAInfomax 在 Adversarial-SQuAD 数据集上实现了最新的性能。

Aug, 2019

本文提出了一种基于敌对训练框架的文本生成模型 - Adversarial Mutual Information，该模型能够在前向网络和后向网络之间相互促进、对比，以优化目标 - 源之间的最大互信息。采用了一种潜在噪声采样策略来增强文本生成过程中的长期依赖性，并在多个文本生成任务中取得了显著优于其他方法的效果。

Jun, 2020

本文提出了一个基于生成对抗网络的两步框架，通过自编码学习语句的有意义表征，并学习将输入映射到响应表征上，最终将其解码为响应句子，经定量和定性评估证明相对于现有的最先进方法，该模型生成的响应更具流畅性、相关性和多样性。

Nov, 2019

发展神经对话模型需要超越 “内容相似性”，本文提出用对抗性负面样本提高模型的实用性。实验表明，我们的方法在多个数据集上均表现优异。

Jun, 2021

为了实现有效的会话建模，本文提出了基于结构的相互信息损失函数 DMI 来训练对话表示模型，并在九个不同对话建模任务上展开了广泛评估，结果表明我们提出的 DMI-based 模型表现超过了强基线。

Dec, 2021

本研究论文通过在神经网络里更改目标函数为 MMI 以替代传统的目标函数来解决对话响应生成任务中的普通、平凡的输出，实验证明这种方法产生了更多样、有趣和恰当的响应，在两个对话数据集上的 BLEU 评分和人类评估中获得了实质性的提升。

Oct, 2015

本文介绍了一种生成澄清问题的方法，该方法通过建模假设答案作为潜在变量来引导生成更有用的澄清问题，并在两个数据集上评估了其性能。

Apr, 2019

本文提出了一种基于对比学习和互信息最大化的正式框架，可以同时减轻生成敌对网络（GAN）中两个根本问题：鉴别器的灾难性遗忘和生成器的模式坍塌，从而在图像合成中显着稳定 GAN 训练和提高 GAN 性能。

Jul, 2020

本研究提出了一种基于预测 - 生成 - 转移的神经对话模型，并使用后验生成对抗网络的前向和反向判别器来进一步建模。 实验结果表明，这种方法有效地提高了生成响应信息量和连贯性，并证实了考虑两种评估角度的优势。

Mar, 2020