COLINGOct, 2020

无监督文本风格转换的循环一致对抗自编码器

PDF
TL;DR本文提出了一种名为 Cycle-Consistent Adversarial Autoencoders (CAE) 的神经网络方法，用于无监督文本风格转换，并且结合对抗生成网络进行风格转换，通过循环一致性约束保持内容的完整性，实验表明该方法对于风格转换和内容的保留在多个自动评估指标和人工评测中都超过了强基线模型。
发现论文，激发创造
  • 无监督文本风格转移的鲁棒和语义组织潜在表示

    该研究提出了一种基于 EPAAEs 的方法，通过在连续嵌入空间中添加一个可调整噪音组件来完善扰动模型，从而更好地聚类风格相似的句子，且在文本风格转移任务上表现优异，同时还将文本风格转移任务扩展到 NLI 数据集，并证明了该方法最适合学习具有更复杂风格的数据集。

    May, 2022

  • 通过循环一致性和改良训练重新审视用于无监督词语转换的对抗自编码器

    该研究提出了两种新的扩展方法来增强自动编码器的对抗训练，包括环路一致性和输入重建的正则化项，并将目标编码器放置在相应鉴别器的对手位置。结果表明，该方法在欧洲和非欧洲低资源语言中均比最近提出的对抗性和非对抗性方法更加稳健且性能更好。

    Apr, 2019

  • 在连续空间中的修订：无需对抗性学习的无监督文本风格转换

    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

  • Seq2Seq 对抗自编码器在情感转移中的应用

    使用 seq2seq，自编码器和对抗性损失模型进行非平行数据样本的语言风格转移。通过使用情感分类器评估样式转移任务，报告了模型在几种模型上的结果。

    Apr, 2018

  • AUTOVC: 仅基于自动编码器损失的零样本语音风格转换

    本文提出了一种新的艺术风格转换方案，它仅涉及一个带有仔细设计的瓶颈的自编码器，通过仅通过自重构损失进行训练，我们形式证明这种方案可以实现分布匹配的风格转换。 我们基于此方案提出了 AUTOVC，并在非平行数据的多对多语音转换中实现了最先进的结果，这是首次进行零样本语音转换。

    May, 2019

  • 针对非平行作者风格改写的语言模型适应性

    该研究提出了一种利用 Transformer 神经模型生成特定作者风格文章的方法，并采用去噪自编码器 (DAE) 损失，通过微调预训练语言模型来提高作者风格的产生，同时通过定量和定性方法证明该方法比现有技术更加有效。

    Sep, 2019

  • 从 A 到 Z: 深度神经网络生成器的监督式风格和内容转移

    提出了一种新的神经网络结构来解决单张图像类比的问题，我们的网络是一个修改后的变分自编码器（VAE），支持有监督的训练和结构相似性目标的输出评估，通过对于 62 个字体从单个样例字母的生成展示出比现有技术更优异的结果。

    Mar, 2016

  • 深层生成模型进行无监督文本风格转换

    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

  • StyleFlow：基于归一化流的潜在表征分离方法用于无监督文本风格转换

    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

  • 循环一致性对抗训练的神经主题建模

    该研究提出了一种使用循环一致对抗训练的话题建模方法，能够发现连贯的话题和根据文档标签发现话题，并在无监督 / 有监督主题建模和文本分类中实现更好的效果。

    Sep, 2020