ACLApr, 2019

通过循环一致性和改良训练重新审视用于无监督词语转换的对抗自编码器

PDF
TL;DR该研究提出了两种新的扩展方法来增强自动编码器的对抗训练，包括环路一致性和输入重建的正则化项，并将目标编码器放置在相应鉴别器的对手位置。结果表明，该方法在欧洲和非欧洲低资源语言中均比最近提出的对抗性和非对抗性方法更加稳健且性能更好。
adversarial trainingbilingual dictionaryword translationregularization termstarget encoders
发现论文，激发创造
  • 循环一致 GAN 的对抗性自卫

    本文研究了无监督图像翻译中的自我攻击问题，提出了两种防御技术，发现增强模型抵抗自我对抗攻击的能力能提高生成质量和重构可靠性，降低模型受低幅扰动的敏感度。

    Aug, 2019

  • 利用语言模型和降噪自编码器改善无监督逐字翻译

    本文提出了简单而有效的方法，通过使用单语语料库而无需任何回译来改善跨语言嵌入的逐字翻译，并结合语言模型和噪声自编码器来提高其翻译性能，分析了词汇量和去噪类型对翻译效果的影响。

    Jan, 2019

  • 非对抗式无监督单词翻译

    本文介绍了一种基于迭代匹配方法的无监督单词翻译方法，该方法在欧洲和非欧洲语言单词翻译任务中表现优于最新的深度对抗方法，并且具有可解释性。

    Jan, 2018

  • 无监督文本风格转换的循环一致对抗自编码器

    本文提出了一种名为 Cycle-Consistent Adversarial Autoencoders (CAE) 的神经网络方法，用于无监督文本风格转换，并且结合对抗生成网络进行风格转换，通过循环一致性约束保持内容的完整性，实验表明该方法对于风格转换和内容的保留在多个自动评估指标和人工评测中都超过了强基线模型。

    Oct, 2020

  • 通过对抗学习分离音频表示进行无平行数据的多目标语音转换

    该研究提出了一种使用循环一致性对抗网络（Cycle-GAN）和自编码器的声音转换和身份识别方法，可将声音转换为多种不同的说话者，同时实现了说话人特征和语言内容的分离。初步实验结果表明，在没有平行数据的情况下，可取得非常好的语音质量。

    Apr, 2018

  • 利用敌对一致性损失实现非配对图像翻译

    本文提出了一种新的对抗一致性损失函数用于无配对图像转换，它可以更好地处理像素级别的约束和几何变换，在去除大型物体和忽略不相关纹理方面表现出色，获得了当前三个有挑战性的图像转换任务，即眼镜去除、男变女和自拍变动漫的最好表现。

    Mar, 2020

  • 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

  • 一种自编码器学习双语词表示的方法

    本文探讨了不依赖词级对齐的跨语言自编码器方法，学习在两种语言之间对齐的词矢量表示，并提出了一种显式的相关性最大化正则化器来提高性能，并在跨语言测试分类问题上进行了实证研究，其结果与现有研究表现相当甚至取得了 10-14 个百分点的提高。

    Feb, 2014

  • 堆叠循环一致性对抗网络的无监督图像对图像翻译

    通过将单一翻译分解为多阶段变换并开发一种自适应融合块，我们提出了新颖的堆叠循环一致性对抗网络（SCANs），以在粗糙到精细的方式下提高图像翻译质量并实现更高分辨率的图像翻译。

    Jul, 2018

  • 多重对抗学习用于跨语言单词嵌入

    提出了一种基于多对抗学习的新方法，用于在远程语言之间诱导跨语言词嵌入，改善了以往单映射方法的性能，特别是对于远程语言的情况

    Oct, 2020