SIGIRApr, 2020

EnsembleGAN: 短文本对话检索生成集成模型的敌对学习

PDF
TL;DR在开放领域对话情景中，提出了一种敌对学习框架 ensembleGAN，用于增强检索 - 生成集合模型，该模型由生成器、排名生成器和排名鉴别器组成，通过学习生成更加相关的响应、高质量候选对抗响应、以及真实响应的识别与区分，实现了两种生成器的优点。实验结果表明了 ensembleGAN 在人工和自动评估度量上的优越性。
human-computer dialogue systemsensemble modeladversarial learninggenerative-based approachesretrieval-based approaches
发现论文，激发创造
  • 语言生成的对抗排名

    本文提出了一种新颖的生成对抗网络 RankGAN，用于生成高质量的自然语言描述，其通过给定一个参考组来分析和排名一组人工编写和机器编写的句子，通过相对排名分数来评估数据集的质量以帮助学习更好的生成器，并使用策略梯度技术来优化 RankGAN。多个公共数据集的实验结果清楚地证明了所提出方案的有效性。

    May, 2017

  • 两者并存：基于检索和生成技术的对话系统集成

    本文提出了一种将检索式和生成式对话系统相结合的方法，将检索到的候选回答与原始查询一起馈送到基于循环神经网络的回答生成器中，以使神经模型了解更多信息。 实验结果表明，这种集成方法明显优于单独使用检索和生成方法。

    Oct, 2016

  • 神经响应生成的检索增强对抗训练

    本文提出了 RETE 方式，使用检索方法来增强神经响应生成的对抗训练， 与当前方法不同的是，该方法采用编码器 - 解码器框架，在对抗训练范式中利用从检索系统获取的 N 个最佳响应候选构建鉴别器。一个基于大规模公共可用基准数据集的实证研究表明，REAT 方法明显优于普通 Seq2Seq 模型和传统的对抗性训练方法。

    Sep, 2018

  • 对抗特征匹配的文本生成

    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

  • 无需强化学习的对抗文本生成

    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

  • 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

  • 使用生成对抗网络生成无监督文本嵌入空间以进行文本合成

    本文提出了一种名为 TESGAN 的框架，使用连续文本嵌入空间而非离散标记以解决梯度反向传播的问题，通过无监督学习来克服数据记忆问题，从而能够合成具有潜力的新句子。

    Jun, 2023

  • 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

  • 使用比较歧视的自对抗学习进行文本生成

    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