論文の概要: LEWIS: Levenshtein Editing for Unsupervised Text Style Transfer

• arxiv url: http://arxiv.org/abs/2105.08206v1
• Date: Tue, 18 May 2021 00:08:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-19 14:03:42.955760
• Title: LEWIS: Levenshtein Editing for Unsupervised Text Style Transfer
• Title（参考訳）: LEWIS: 教師なしテキストスタイル転送のためのLevenshtein編集
• Authors: Machel Reid and Victor Zhong
• Abstract要約: 本稿では,revenshtein編集操作を用いてテキスト変換を行うスタイル変換用粗細エディタを提案する。 従来のシングルスパン編集法とは異なり、このメソッドはソーステキストの複数のスパンを同時に編集します。 私たちの方法は、感情(Yelp、Amazon)と礼儀正しい(Polite)転送に関する既存の生成および編集スタイルの転送方法よりも優れています。
• 参考スコア（独自算出の注目度）: 14.507559615347304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many types of text style transfer can be achieved with only small, precise edits (e.g. sentiment transfer from I had a terrible time... to I had a great time...). We propose a coarse-to-fine editor for style transfer that transforms text using Levenshtein edit operations (e.g. insert, replace, delete). Unlike prior single-span edit methods, our method concurrently edits multiple spans in the source text. To train without parallel style text pairs (e.g. pairs of +/- sentiment statements), we propose an unsupervised data synthesis procedure. We first convert text to style-agnostic templates using style classifier attention (e.g. I had a SLOT time...), then fill in slots in these templates using fine-tuned pretrained language models. Our method outperforms existing generation and editing style transfer methods on sentiment (Yelp, Amazon) and politeness (Polite) transfer. In particular, multi-span editing achieves higher performance and more diverse output than single-span editing. Moreover, compared to previous methods on unsupervised data synthesis, our method results in higher quality parallel style pairs and improves model performance.
• Abstract（参考訳）: 多くのタイプのテキストスタイル転送は、小さな正確な編集(例えば)だけで実現できる。 気持ちの移り変わりは ひどい時間だったのに... 素晴らしい時間を過ごしたのに) 本稿では,Levenshtein編集操作を用いてテキストを変換するスタイル転送のための粗大なエディタを提案する。 挿入、置換、削除)。 従来の単一スパン編集法とは異なり,本手法はソーステキスト中の複数のスパンを同時に編集する。 並列スタイルのテキストペア(例)なしでトレーニングする ペアの +/sentiment 文) では、教師なしのデータ合成手順を提案する。 まず、スタイル分類子に注意を向けて、テキストをスタイル非依存のテンプレートに変換する。 そしてテンプレートのスロットを微調整された事前学習された言語モデルで埋めます。 提案手法は感情(yelp, amazon)と礼儀正しい(polite)トランスファー(polite)において,既存の生成および編集スタイルトランスファー手法を上回っている。 特にマルチスパン編集はシングルスパン編集よりも高い性能と多様な出力を実現する。 さらに,教師なしデータ合成における従来の手法と比較して,高品質な並列スタイルペアが得られ,モデル性能が向上する。

関連論文リスト

• TinyStyler: Efficient Few-Shot Text Style Transfer with Authorship Embeddings [51.30454130214374]
  本稿では,TinyStylerについて紹介する。 我々は、TinyStylerのテキスト属性スタイル転送機能について、自動評価と人的評価で評価する。 私たちのモデルはhttps://huggingface.co/tinystyler/tinystyler.comで公開されています。
  論文  参考訳（メタデータ） (2024-06-21T18:41:22Z)
• Unsupervised Text Style Transfer via LLMs and Attention Masking with Multi-way Interactions [18.64326057581588]
  非教師付きテキストスタイル転送(UTST)が自然言語処理(NLP)分野における重要な課題として浮上している。 本稿では,命令を調整したパイプライン・フレームワークであるLarge Language Models (LLMs) から注目マスキング・モデルへの知識蒸留,構築された並列例を用いたコンテキスト内学習の4つの方法を提案する。 これらのマルチウェイインタラクションは、スタイルの強さ、コンテンツ保存、テキストの流布といった観点から、ベースラインを改善することを実証的に示しています。
  論文  参考訳（メタデータ） (2024-02-21T09:28:02Z)
• Copy Is All You Need [66.00852205068327]
  既存のテキストコレクションからテキストセグメントを段階的にコピーするテキスト生成を定式化する。 提案手法は, 自動評価と人的評価の両方により, より優れた生成品質を実現する。 当社のアプローチでは,より大規模なテキストコレクションにスケールアップすることで,さらなるパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2023-07-13T05:03:26Z)
• SimpleStyle: An Adaptable Style Transfer Approach [6.993665837027786]
  本稿では,最小限かつ効果的なスタイル変換手法であるSimpleStyleについて述べる。 我々はSimpleStyleを用いて、現実世界のテキストデータに現れる幅広いテキスト属性をソーシャルネットワークから転送する。 学生モデルにSimpleStyleの出力を生成することで,1つのgreedy-decodedサンプルだけで等価品質のスタイル転送を行うシステムを実現することを示す。
  論文  参考訳（メタデータ） (2022-12-20T18:12:49Z)
• Text Revision by On-the-Fly Representation Optimization [76.11035270753757]
  現在の最先端手法は、これらのタスクをシーケンスからシーケンスまでの学習問題として定式化している。 並列データを必要としないテキストリビジョンのための反復的なインプレース編集手法を提案する。 テキストの単純化に関する最先端の教師付き手法よりも、競争力があり、パフォーマンスも向上する。
  論文  参考訳（メタデータ） (2022-04-15T07:38:08Z)
• Fine-grained style control in Transformer-based Text-to-speech Synthesis [78.92428622630861]
  本稿では,Transformer-based text-to-speech synthesis (TransformerTTS) におけるきめ細かいスタイル制御を実現する新しいアーキテクチャを提案する。 参照音声から局所的スタイルトークン(LST)の時系列を抽出することにより、発話スタイルをモデル化する。 実験により, きめ細かいスタイル制御では, 自然性, 知能性, スタイル伝達性が向上することが示された。
  論文  参考訳（メタデータ） (2021-10-12T19:50:02Z)
• Text Editing by Command [82.50904226312451]
  ニューラルテキスト生成における一般的なパラダイムは、単一のステップでテキストを生成するワンショット生成である。 この制限をユーザが既存のテキストを編集するコマンドを発行することでシステムと対話するインタラクティブテキスト生成設定で解決する。 このデータセットに基づいてトレーニングされたトランスフォーマーベースモデルであるInteractive Editorは,ベースラインを上回り,自動評価と人的評価の両方において肯定的な結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-10-24T08:00:30Z)
• Learning to Generate Multiple Style Transfer Outputs for an Input Sentence [93.32432042381572]
  入力テキストに対して異なるスタイル転送結果を生成する1対多のテキストスタイル転送フレームワークを提案する。 入力文の潜在表現を、言語スタイルのバリエーションをキャプチャするスタイルコードに分解する。 同じコンテンツコードと異なるスタイルコードを組み合わせることで、異なるスタイル転送出力を生成する。
  論文  参考訳（メタデータ） (2020-02-16T07:10:45Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。