ACLJun, 2019

DAL: 双重对抗学习用于对话生成

PDF
TL;DR通过引入对抗生成学习，利用查询生成与回复生成二者之间的对偶，提高回复的多样化，通过模仿人类评委来引导系统生成自然回复的新颖框架 Dual Adversarial Learning 在高质量回复的生成方面取得了很好的效果。
open-domain dialogue systemsgenerative approachesdual adversarial learningresponse generationnatural responses
发现论文，激发创造
  • 潜在空间中的对抗学习用于多样对话生成

    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

  • 神经对话生成的对抗学习

    本文提出了一种基于对抗训练的方法用于生成开放领域对话，该系统的对话和人类对话几乎无法区分。作者将问题转化为一个强化学习问题，同时训练一个生成模型和一个鉴别器，用于评估生成的对话是否和人类对话相似，并将鉴别器的输出作为奖励信号，并进一步提出了一种评估模型 - 对抗性评估模型，该模型可避免一系列潜在的问题。实验结果表明，基于对抗训练的系统生成的响应比先前的基线模型更具参考价值。

    Jan, 2017

  • 透过对抗学习实现有理据的视觉对话生成

    本文提出了一种基于强化学习和生成对抗网络的新方法，结合注意力机制为每个回答生成可解释的理由，从而在保持自然对话的一致性的同时回答正确地回答问题，取得了当前主要基准测试的最先进结果。

    Nov, 2017

  • 改进的动态记忆网络在对话行为分类中的对抗训练

    本文提出了一种将 DA 分类问题转化为问答问题并采用改进的动态记忆网络和分层金字塔语句编码器的方法，同时使用对抗训练方法来解决传统训练方法无法正确分类对抗样本的问题，实验结果表明该模型不仅具有鲁棒性，而且相较于一些最新的基准模型表现更优。

    Nov, 2018

  • 基于对抗学习减轻神经对话生成中的性别偏见

    本文提出了基于对抗学习的、旨在降低对话系统中性别歧视的新框架 Debiased-Chat，并在两个真实的对话数据集上进行了广泛的实验，结果表明该框架明显降低了对话模型的性别偏见，同时保持了响应质量。

    Sep, 2020

  • 响应增强的半监督对话查询生成

    提出了一种半监督学习框架 SemiDQG，通过使用未标注的对话数据来改进模型性能，使用类似度选择策略选取高质量伪查询进一步训练模型，并采用 REINFORCE 算法作为精细化训练信号，实验结果表明该框架在跨领域和资源有限场景中具有显著优势。

    Dec, 2023

  • 对抗学习框架下的多轮对话生成

    本文提出了一种对话生成的敌对学习方法，基于条件生成式敌对网络，生成器是修改后的层次循环编码器 - 解码器网络，鉴别器是与生成器共享上下文和词嵌入的字级双向循环神经网络，在 Ubuntu 对话数据集和电影三元组数据集上表现出更好的性能和更长、更丰富、更具相关性的自动生成回应。

    May, 2018

  • 通过元学习实现领域自适应对话生成

    提出了基于元学习的领域自适应对话生成方法（DAML），该方法基于单域对话数据和元学习算法进行训练，并能够在新领域中学习出一种具有竞争力的对话系统。在模拟对话数据集上评估该方法的表现，实现了最先进的性能，该性能可推广到新任务。

    Jun, 2019

  • 通过双重对抗去偏置的域外证据感知假新闻检测

    我们提出了一种新颖的对抗性学习方法，称为 “Dual Adversarial Learning”，以解决在新闻内容和证据内容之间进行推理时遇到的偏差问题，并减少内容偏差的影响。

    Apr, 2023

  • EmpDG：多分辨率交互式共情对话生成

    提出多分辨率对抗生成模型 EmpDG，应对情感对话生成的挑战，结合对话层级与细粒度的用户情感， 通过交互式对抗学习框架获取用户反馈， 在内容质量和情感准确性上显著优于现有基准。

    Nov, 2019