COLINGSep, 2022

将因果分析融入多样化和逻辑回复生成中

PDF
TL;DR本文研究了 Conditional Variational AutoEncoder（CVAE）生成回答时常常与原问题不相关或缺乏逻辑性的原因，并提出了一种寻找中介变量和缓解对话中混淆偏差的方法。在此基础上，提出了动态话题图引导的条件变分自动编码器（TGG-CVAE）模型，用于补充语义空间并减少响应中混淆偏差。实验证明，所提出的模型能够生成相关且信息量丰富的回答，并在自动评估和人类评估方面优于现有的最先进模型。
cvaedialoguemediatorsconfounding biastgg-cvae
发现论文，激发创造
  • CausalVAE: 变分自编码器中的结构因果解缠

    本文提出了一种基于因果结构的 VAE 算法 CausalVAE，使用因果层将独立外生因素转化为内生因果因素，实现了因果因素的自动发掘和可解释性，实验结果表明 CausalVAE 提出的因果表示能够在多个数据集上实现对真实因果结构的恢复，同时可以生成对因果结构产生干预的对事实数据。

    Apr, 2020

  • 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

  • 基于 Transformer 的有条件变分自编码器对话生成

    该论文介绍了一种新的 CVAE-T 对话模型，基于 Transformer 的结构，通过训练包含正负样本的数据并引入正则化项，可以在生成回复时提高信息量。

    Oct, 2022

  • 短文本对话生成中的离散 CVAE

    本文研究主要通过在条件变分自编码器中引入具有显式语义意义的离散潜变量，从而提高短文本对话生成质量并增加多样性。实验证明，该模型在自动评估和人类评估中表现出色。

    Nov, 2019

  • 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

  • CARE: 有条件图生成的因果推理及移情回应

    提出了一种新的名为 CARE 的框架，它通过使用 Conditional Variational Graph Auto-Encoder (CVGAE) 来推理所有可能的因果关系，并采用多源注意力机制来将这些因果关系注入到共情型对话响应生成中，实验结果表明该方法取得了最先进的性能。

    Nov, 2022

  • 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

  • 多样化回复生成的变分 Transformer

    本文提出了变分 Transformer（VT）算法，将变分自注意力前馈序列模型与 CVAE 的变分性质相结合，从而有效处理对话响应生成领域中高熵任务的问题，并在多个对话数据集上获得了性能提升。

    Mar, 2020

  • 基于 VAE 的学习多级神经 Granger - 因果连通性的框架

    本文介绍了一种基于 VAE 的框架，以合理的方式共同学习相关异质动态系统中的 Ganger 因果关系，从而提取嵌入在这些系统中的共享公共结构，并识别个体系统中的特质。该方法在多个合成数据设置上进行评估，并与用于学习单个系统的现有方法进行基准比较。该方法还在涉及神经生理学实验的时间序列数据的真实数据集上进行了说明，并产生了可解释的结果。

    Feb, 2024

  • 医学时间序列生成的因果循环变分自编码器

    提出了一种因果延迟变分自编码器（CR-VAE）的新型生成模型，它能够从多元时间序列 x 中学习 Granger 因果图，并将其潜在因果机制纳入其数据生成过程中，借助于一个稀疏的邻接矩阵来编码所有变量对之间的因果关系，并在使用经典延迟自动编码器进行比较时，CR-VAE 经常优于最先进的时间序列生成模型。

    Jan, 2023