本文提出一种名为 ColdGANs 的综合探索策略的 GAN 框架,用于解决基于 Maximum Likelihood Estimation 培训的文本生成算法的局限性,并展示了 ColdGANs 相比于其他 RL 算法以及 MLE 在三个文本生成任务中的效果更好。
Jun, 2020
本文利用自编码器生成低维度语句向量空间,再用生成对抗网络利用这个空间生成真实文本,与竞争基线相比,经人工审核和 BLEU 分数表明模型可以生成逼真的文本。
Oct, 2018
提出了一种新的自我对抗学习(SAL)范式,通过使用相对鉴别器作为 GAN 的鉴别器,并引入自我改进奖励机制,成功地解决了 GAN 在生成文本方面的奖励稀疏性和模式崩溃问题,并在文本生成基准数据集上取得了更高质量和更稳定的性能表现。
Jan, 2020
本篇论文介绍了最近使用生成对抗网络进行文本生成的研究和进展,并对基于对抗学习的文本生成的三种可能选择(即 Gumbel-Softmax 分化,强化学习和修改训练目标)进行了综述。
Dec, 2022
本文介绍了一种在模型 free 的前提下能够提高采样效率的演员评论家结构,利用了 GAIL 中对抗训练的方法和离策略演员评论家的优势,在多个连续控制任务中,我们证明了这种方法的简洁易行和稳定性。
Sep, 2018
该论文介绍了使用生成对抗网络(GANs)作为神经文本生成模型的训练方法,提高生成样本的质量,并通过 actor-critic 条件 GAN 与最大似然方法对比说明了其效果更好。
Jan, 2018
该研究提出了一种通过敌对训练生成逼真文本的框架,采用了 LSTM 作为生成器,卷积网络作为判别器,并使用核距离度量匹配真实和合成句子的高维潜在特征分布,从而缓解了模式崩溃问题,并在定量评估方面表现出优越性,证明了该模型可以生成逼真的句子。
Jun, 2017
本文提出了一种名为 LeakGAN 的新框架来解决长文本生成中缺乏中间信息的问题,通过引入高级特征来指导生成模型,LeakGAN 在长文本生成和短文本生成任务中都表现出了较好的性能,并且无需监督学习即可隐式地学习句子结构。
Sep, 2017
利用递归神经网络和深度卷积生成对抗网络构建了新的深度架构和 GAN 公式,将字符转换为像素,有效地将文本和图像建模相结合,从而实现了从详细文本描述中生成花和鸟的逼真图像的能力。
May, 2016
通过采用敌对模仿学习和敌对逆强化学习的方法,提出了一种新的对话生成奖励模型,可用于更精确地指导生成器训练,实验结果表明其有效性。
Dec, 2018