ACLMay, 2022

无监督文本风格转移的鲁棒和语义组织潜在表示

PDF
TL;DR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。
auto-encoderlatent spacestyle transferepaaesnli datasets
发现论文，激发创造
  • 通过去噪引导潜在表示的文本自编码器教育

    本文介绍了一种通过利用生成自编码器的潜在句子表示来实现可控制文本生成的方法。作者提出了一种改进自动编码器的方法，被称为 DAAE，该方法可以在维持生成质量的同时，提高模型中的潜在空间几何性，从而实现了通过简单潜在向量算术进行全零文本风格转换。

    May, 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

  • 图像编辑的紧凑且语义潜空间的解缠和可控

    我们提出了一种自编码器方法，通过重新组织 StyleGAN 的潜空间，使我们希望编辑的每个属性对应于新潜空间的一个轴，同时确保潜空间轴之间的相关性降到最低，以促进属性解缠，通过实验证明了我们的方法在编辑能力上超越了竞争方法，同时在保持图像身份一致性方面与原始图像具有高度的准确性，我们的自编码器结构简单明了，易于实现。

    Dec, 2023

  • 无监督文本风格转换的循环一致对抗自编码器

    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。

    Oct, 2020

  • 通过编辑纠缠隐式表示实现可控非监督文本属性转移

    我们提出了一种基于 Transformer 自编码器和快速梯度迭代修改算法的非监督文本属性转移框架，可在不使用任何平行数据的情况下更改特定属性，同时保留其属性独立内容，并且能够灵活控制转移程度和同时转移多个方面。

    May, 2019

  • 多属性文本风格转换

    本文提出一种控制文本数据中多种因素变异的模型，用回译机制代替对解缠缠绕的限制，实现对性别、情感、产品类型等多个属性的控制，并通过在潜空间中的池化运算使内容保留和风格变化之间的权衡更加精细，进一步拓展了去耦合框架的应用范围。

    Nov, 2018

  • 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

  • Style Transformer: 无需分解潜变量的非配对文本风格转移

    本文提出 Style Transformer，它结合了注意力机制和变形器模型，可以更好地处理文本风格转移和内容保存的问题。

    May, 2019

  • 对抗性正则化自编码器

    本文提出了一种基于 Wasserstein 自动编码器（WAE）的灵活方法，用于训练离散结构的深度潜变量模型，该方法扩展了 WAE 框架以对离散序列进行建模，并进一步探索了不同的先验知识以获得可控表示，最后展示了 WAE 中的潜变量可以进行文本风格转换。

    Jun, 2017

  • 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