Style Transformer: 无需分解潜变量的非配对文本风格转移
本文提出了一种基于分离表示的风格迁移模型 StyleFlow,通过设计注意力耦合层和基于归一化流的数据增强方法来实现通过风格转移实现保留内容。实验结果表明,该模型在大多数度量标准上达到了最先进的性能水平。
Dec, 2022
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
本文提出一种控制文本数据中多种因素变异的模型,用回译机制代替对解缠缠绕的限制,实现对性别、情感、产品类型等多个属性的控制,并通过在潜空间中的池化运算使内容保留和风格变化之间的权衡更加精细,进一步拓展了去耦合框架的应用范围。
Nov, 2018
本文提出了一种基于结构化细粒度监督的内容保留模型,利用语言信息并设定模型目标以达到在改变句子的风格的同时更好地保留与风格无关的内容,进行情感和政治倾向转换任务的实验表明该模型在内容保留和风格转换上表现出显著改善。
Oct, 2018
本文提出一种使用无监督机器翻译方法来实现自动语言风格转换的方法,利用样式偏好信息和单词嵌入相似性来生成伪平行数据,并采用迭代回译方法来联合训练两个神经机器翻译(NMT)系统,其中引入样式分类器来控制噪声。实验表明,该方法在语言风格转换的精确度和输入输出对应质量方面优于以前的现有模型。
Aug, 2018
我们提出了一个用深度生成模型进行无监督文本风格转换的通用框架,该框架利用观察数据中的依赖关系学习内容和风格的潜在代码,并通过操纵这些代码来转换句子。实验结果表明,与几个强基准方法相比,我们的方法在自动评估和人工评估中取得了更好或具有竞争力的结果。
Aug, 2023
本文提出一种改进的文本风格转换方法,在保留内容的同时,通过反向关注机制从每个单词中隐含地去除其风格信息,保证了内容的完整性,并在建立目标风格表示时融合了内容信息,使其对内容具有动态性,从而既创建了风格无关的内容表示,又创建了与内容相关的风格表示,实验结果表明,该方法在保持内容的准确性方面优于现有的基准方法。
Aug, 2021
本文提出了一种基于双重强化学习框架的一步映射模型,以直接传输文本的风格,而无需分离内容和风格,通过在双重结构上设计的两种奖励来反映风格准确性和内容保留。这种方法可以在没有使用并行数据的情况下通过强化学习训练出两个一步映射模型,评估表明该模型在两个基准数据集上表现优于现有技术,特别是 BLEU 分数平均提高了 8 分以上,人类评估也验证了该模型在风格准确性、内容保留和流畅性方面的有效性。
May, 2019
本文提出了一个新的文本风格迁移框架,它利用渐变来在推断期间在连续空间中修订句子以实现文本风格迁移。通过使用变分自编码器、属性预测器和内容预测器,我们可以在连续空间中进行基于渐变的优化,找到具有所需属性和保留内容的目标句子的表示。与以前基于对抗学习的方法相比,所提出的方法更易于解释、控制和训练,并且在三个流行的文本风格转移任务上表现显著优于五种最先进的方法。
May, 2019
该研究提出了一种通过为每个单词分配个体风格向量来进行细粒度控制和操作的无监督文本风格转移方法,并引入了一种教师 - 学生学习集成的对抗训练框架以提高训练稳定性和降低高维优化的复杂性,实验结果表明其在两种和多种风格转移中具有明显改进的风格转移准确性和内容保留。
Jun, 2023