Fugu-MT 論文翻訳(概要): DGST: a Dual-Generator Network for Text Style Transfer

論文の概要: DGST: a Dual-Generator Network for Text Style Transfer

arxiv url: http://arxiv.org/abs/2010.14557v1
Date: Tue, 27 Oct 2020 18:54:51 GMT
ステータス: 処理完了
システム内更新日: 2022-10-02 11:14:11.437372
Title: DGST: a Dual-Generator Network for Text Style Transfer
Title（参考訳）: DGST:テキストスタイル転送のためのデュアルジェネレータネットワーク
Authors: Xiao Li, Guanyi Chen, Chenghua Lin, Ruizhe Li
Abstract要約: 本稿では,テキストスタイル転送のための新しい,シンプルなデュアルジェネレータネットワークアーキテクチャを提案する。我々のモデルは2つのジェネレータのみを使用し、訓練には識別器や並列コーパスに依存しない。
参考スコア（独自算出の注目度）: 18.296350505386997
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose DGST, a novel and simple Dual-Generator network architecture for text Style Transfer. Our model employs two generators only, and does not rely on any discriminators or parallel corpus for training. Both quantitative and qualitative experiments on the Yelp and IMDb datasets show that our model gives competitive performance compared to several strong baselines with more complicated architecture designs.
Abstract（参考訳）: テキストスタイル転送のためのDGST, 新規でシンプルなデュアルジェネレータネットワークアーキテクチャを提案する。我々のモデルは2つのジェネレータのみを使用し、訓練には識別器や並列コーパスに依存しない。 YelpおよびIMDbデータセットにおける定量的および定性的な実験は、我々のモデルがより複雑なアーキテクチャ設計を持ついくつかの強力なベースラインと比較して、競争力のある性能を示すことを示している。

関連論文リスト

Comprehensive Performance Modeling and System Design Insights for Foundation Models [1.4455936781559149]
生成AI、特に大きなトランスフォーマーモデルは、科学や産業においてHPCシステム設計を推進している。本稿では, トランスモデルの性能特性を分析し, トランスモデルに対する感度, 並列化戦略, HPCシステムの特徴について考察する。本分析では,システム機能を念頭に置いて,異なるトランスフォーマー型の性能モデリングを行う必要があることを強調した。
論文参考訳（メタデータ） (2024-09-30T22:56:42Z)
DFDG: Data-Free Dual-Generator Adversarial Distillation for One-Shot Federated Learning [17.34783038347845]
Federated Learning(FL)は、クライアントがグローバルモデルの協調トレーニングに共同で参加する分散機械学習スキームである。単発FLのための新しいデータフリー二重発生器逆蒸留法(DFDG)を提案する。 DFDGは対角的に実行され、二重生成子訓練と二重モデル蒸留の2つの部分からなる。
論文参考訳（メタデータ） (2024-09-12T03:44:30Z)
Master: Meta Style Transformer for Controllable Zero-Shot and Few-Shot Artistic Style Transfer [83.1333306079676]
本稿では,スタイル転送に特化した新しいトランスフォーマーモデルであるemphMasterを考案する。提案モデルでは, 異なるトランスフォーマー層が共通のパラメータ群を共有し, 1) パラメータの総数を減らし, (2) より堅牢なトレーニング収束をもたらし, (3) は容易にスタイリングの程度を制御できる。実験では、ゼロショットと少数ショットスタイルの転送設定の両方でMasterの優位性を示す。
論文参考訳（メタデータ） (2023-04-24T04:46:39Z)
Playing Lottery Tickets in Style Transfer Models [57.55795986289975]
スタイル・トランスファーは大きな成功を収め、学術界と工業界の両方から幅広い注目を集めた。しかし、かなり大きなVGGベースのオートエンコーダへの依存は、パラメータの複雑度が高い既存のスタイル転送モデルに繋がる。本研究では,このようなトレーニング可能なネットワークが,スタイル伝達モデルにも存在するかどうかを検証するための,最初の実証的研究を行う。
論文参考訳（メタデータ） (2022-03-25T17:43:18Z)
Multiscale Generative Models: Improving Performance of a Generative Model Using Feedback from Other Dependent Generative Models [10.053377705165786]
実世界の相互作用を反映した相互作用生成モデル(GAN)の構築に向けた第一歩を踏み出す。我々は,複数の低レベル GAN の出力に高レベル GAN を条件付けした階層的なセットアップを構築し,解析する。本稿では,より高レベルなGANからのフィードバックを用いて,低レベルなGANの性能を向上させる手法を提案する。
論文参考訳（メタデータ） (2022-01-24T13:05:56Z)
Unifying Multimodal Transformer for Bi-directional Image and Text Generation [8.547205551848462]
本研究では,自然な双方向タスクである画像・テキスト・テキスト・画像世代の共同学習について検討する。双方向タスクを共同で研究するために,単一のマルチモーダルモデルに基づく統合画像・テキスト生成フレームワークを提案する。
論文参考訳（メタデータ） (2021-10-19T06:01:24Z)
Combining Transformer Generators with Convolutional Discriminators [9.83490307808789]
最近提案されたTransGANはトランスフォーマーアーキテクチャのみを使用した最初のGANである。 TransGANは、データ拡張、トレーニング中の補助的な超解像タスク、そして自己保持メカニズムを導く前にマスクを必要とする。我々は、よく知られたCNN識別器のベンチマークを行い、トランスフォーマーベースジェネレータのサイズを減らし、両方のアーキテクチャ要素をハイブリッドモデルに組み込むことにより、より良い結果をもたらすことを示す。
論文参考訳（メタデータ） (2021-05-21T07:56:59Z)
Training Generative Adversarial Networks in One Stage [58.983325666852856]
本稿では,1段階のみに効率よくGANを訓練できる汎用的なトレーニング手法を提案する。提案手法は,データフリーな知識蒸留など,他の逆学習シナリオにも容易に適用可能であることを示す。
論文参考訳（メタデータ） (2021-02-28T09:03:39Z)
Dual-decoder Transformer for Joint Automatic Speech Recognition and Multilingual Speech Translation [71.54816893482457]
自動音声認識(ASR)と多言語音声翻訳(ST)を共同で行う新しいモデルアーキテクチャであるデュアルデコーダトランスフォーマを導入する。我々のモデルはオリジナルのTransformerアーキテクチャに基づいているが、2つのデコーダで構成されており、それぞれが1つのタスク(ASRまたはST)を担っている。
論文参考訳（メタデータ） (2020-11-02T04:59:50Z)
XingGAN for Person Image Generation [149.54517767056382]
本稿では,人物画像生成タスクのための新しいジェネレーティブ・アドバイザリアル・ネットワーク(XingGAN)を提案する。 XingGANは、人物の外観と形状をモデル化する2世代ブランチで構成されている。提案したXingGANは,客観的な定量的スコアと主観的視覚的現実性の観点から,最先端のパフォーマンスを向上することを示す。
論文参考訳（メタデータ） (2020-07-17T23:40:22Z)
Data-Free Knowledge Amalgamation via Group-Stack Dual-GAN [80.17705319689139]
複数のシングルタスク/マルチタスクの教師から,多タスクの学生ネットワークを構築するために,データフリーな知識アマルガメート戦略を提案する。トレーニングデータを持たない提案手法は, フル教師付き手法と比較して, 驚くほど競争力のある結果が得られる。
論文参考訳（メタデータ） (2020-03-20T03:20:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。