ACLMay, 2020

利用信息最大化的分层条件 VAEs 从上下文中生成多样且一致的问答对

PDF
TL;DR本研究提出了一种基于信息最大化的分层条件变分自编码器用于生成问题回答对，使用自动生成的 QA 对针对基准数据集得出了比其他基线模型更好的性能表现，并使用少量数据获得了相当不错的半监督学习表现。
question answeringlabeled dataunstructured textshierarchical conditional variational autoencodersemi-supervised learning
发现论文，激发创造
  • 利用自分离条件变分自编码器生成相关和连贯的对话回应

    通过引入自身分离的条件变分自编码器（SepaCVAE），将组信息引入到规范化的潜变量中，进一步增强了 CVAE 通过提高响应的相关性和连贯性同时保持它们的多样性和信息量在开放领域对话生成任务中的性能。

    Jun, 2021

  • 医学问答对生成

    本文介绍了一种基于自动生成问答对的框架，包含一个无监督关键词检测器发现问题的有效性，一个生成器利用多通道解码器提高结构知识的多样性，用于医学领域的问答任务，能有效提升考试问答系统的准确率。

    Nov, 2018

  • VOLTA：可变的 VAE 对抗学习系统的多样化和可控问题 - 答案生成

    本文提出了一种名为 VOLTA 的模型，它采用变分自编码器框架和共享后骨干网络作为其编码器和解码器，通过添加 InfoGAN 风格的潜在代码来实现生成多样性和不受输入控制的可控性，实验结果表明，相对于同类模型，VOLTA 能够显著提高生成多样性和可控性。

    Jul, 2023

  • 提升变分个性化和移情对话代理的上下文连贯性

    通过引入 Uncertainty Aware CVAE 框架来近似和整合响应生成过程中的 aleatoric 不确定性，改善个性化和移情式对话生成中生成响应的上下文连贯性。同时，研究者们提出了一种新的自动度量方法来衡量生成响应的上下文连贯性，并且该度量与人类的判断显著相关。

    Feb, 2022

  • 使用 trVAE 的无配对数据条件外样本生成

    本研究通过使用最大平均离差（MMD）来匹配不同条件下的生成模型的分布，从而对条件变分自编码器（CVAE）进行改进，提出了 Transformer VAE（trVAE）的架构，并在高维图像和表格数据上展示了比现有方法更高的鲁棒性和准确性。

    Oct, 2019

  • 高级条件变分自编码器（A-CVAE）：通过解离潜在特征表示进行开放领域对话生成解释的探索

    本研究旨在通过介绍一种认知方法，利用先前的知识驱动生成模型，实现在中尺度特征分离中调节潜在变量，使得深度学习的开放领域对话系统可以生成更高质量和更可解释性的对话。

    Jul, 2022

  • 层次化草图归纳用于释义生成

    本文提出了一种生成抄袭的生成模型，它通过条件语法草图鼓励语法多样性。在 HRQ-VAE 的基础上，我们提出了一种学习散列编码分解的方法，表示输入的精细到粗糙的信息。通过 HRQ-VAE，我们可以将输入句子的句法形式编码为通过层次结构的路径，以便更容易地在测试时预测语法素描。实验结果证明了 HRQ-VAE 可以学习输入空间的层次表征，并生成比以前系统更高质量的抄袭。

    Mar, 2022

  • 用变分自编码器生成多样性问题的创造力

    本文提出了一种基于变分自动编码器和长短期记忆网络的视觉问题生成算法，能够生成大量多样的问题，实现了一种创造性的算法来生成逼真的问题。

    Apr, 2017

  • 通过变分问答对生成提高 QA 模型对挑战集的鲁棒性

    通过提出多样性 QAG 模型，增强训练集连贯性并提高 QA 模型的鲁棒性，从而提高了在特定问题集中的准确性。

    Apr, 2020

  • 使用条件变分自编码器与知识蒸馏生成长的财务报告

    通过条件变分自编码器和师生网络技术，从新闻数据中提取金融报告，并在公共数据集上取得了优于其他方法的结果。

    Oct, 2020