論文の概要: Multi-Pair Text Style Transfer on Unbalanced Data

• arxiv url: http://arxiv.org/abs/2106.10608v1
• Date: Sun, 20 Jun 2021 03:20:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-22 15:37:48.615411
• Title: Multi-Pair Text Style Transfer on Unbalanced Data
• Title（参考訳）: 不均衡データを用いたマルチペアテキストスタイル転送
• Authors: Xing Han, Jessica Lundin
• Abstract要約: テキストスタイルの転送は、文を言い換えたり、内容を変更することなくキーワードを置換することで、あるドメインに与えられたテキストを別のドメインに変換することを目的としている。 マルチペアテキストスタイルのトランスファーを同時に行うタスク適応型メタラーニングフレームワークを開発した。 その結果,提案手法はコヒーレントなスタイルのバリエーションだけでなく,定量的な性能向上につながることがわかった。
• 参考スコア（独自算出の注目度）: 3.4773470589069473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-style transfer aims to convert text given in one domain into another by paraphrasing the sentence or substituting the keywords without altering the content. By necessity, state-of-the-art methods have evolved to accommodate nonparallel training data, as it is frequently the case there are multiple data sources of unequal size, with a mixture of labeled and unlabeled sentences. Moreover, the inherent style defined within each source might be distinct. A generic bidirectional (e.g., formal $\Leftrightarrow$ informal) style transfer regardless of different groups may not generalize well to different applications. In this work, we developed a task adaptive meta-learning framework that can simultaneously perform a multi-pair text-style transfer using a single model. The proposed method can adaptively balance the difference of meta-knowledge across multiple tasks. Results show that our method leads to better quantitative performance as well as coherent style variations. Common challenges of unbalanced data and mismatched domains are handled well by this method.
• Abstract（参考訳）: text-style transferは、テキストをパラフレーズしたり、キーワードを置換したりすることで、あるドメインで与えられたテキストを別のドメインに変換することを目的としている。 必要により、最先端の手法は非並列トレーニングデータに適合するように進化し、ラベル付き文とラベルなし文が混在する複数のデータソースが存在する場合が多い。 さらに、各ソース内で定義された固有のスタイルは別物かもしれない。 一般的な双方向(例えば、フォーマルな$\Leftrightarrow$official)スタイルの転送は、異なる群に関係なく、異なるアプリケーションに対してうまく一般化できない。 本研究では,タスク適応型メタラーニングフレームワークを開発し,単一モデルを用いてマルチペアテキスト形式の転送を同時に行うことができる。 提案手法は,複数のタスク間でメタ知識の違いを適応的にバランスさせることができる。 その結果,提案手法はコヒーレントなスタイルのバリエーションとともに,定量的性能の向上につながることがわかった。 非バランスなデータとミスマッチしたドメインの共通の課題は、この方法でうまく処理される。

関連論文リスト

• 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)
• ParaGuide: Guided Diffusion Paraphrasers for Plug-and-Play Textual Style Transfer [57.6482608202409]
  テキストスタイル転送は、意味を保ちながらテキストのスタイル特性を変換するタスクである。 任意のスタイルに柔軟に適応できる汎用型転送のための新しい拡散型フレームワークを提案する。 本研究では,人的評価と自動評価の両面から,Enron Email Corpusの手法を検証するとともに,形式性,感情,さらにはオーサシップスタイルの伝達にも優れることを示す。
  論文  参考訳（メタデータ） (2023-08-29T17:36:02Z)
• 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)
• Generic resources are what you need: Style transfer tasks without task-specific parallel training data [4.181049191386633]
  スタイル転送は、コンテンツを保存しながら、ソーステキストを異なるターゲットスタイルで書き直すことを目的としている。 本稿では, 汎用資源を活用した新しい手法を提案する。 我々は、汎用的な事前学習シーケンス・ツー・シーケンスモデルに基づくマルチステップ手順を採用する。
  論文  参考訳（メタデータ） (2021-09-09T20:15:02Z)
• Fake it Till You Make it: Self-Supervised Semantic Shifts for Monolingual Word Embedding Tasks [58.87961226278285]
  語彙意味変化をモデル化するための自己教師付きアプローチを提案する。 本手法は,任意のアライメント法を用いて意味変化の検出に利用できることを示す。 3つの異なるデータセットに対する実験結果を用いて,本手法の有用性について述べる。
  論文  参考訳（メタデータ） (2021-01-30T18:59:43Z)
• Conditioned Text Generation with Transfer for Closed-Domain Dialogue Systems [65.48663492703557]
  条件付き変分オートエンコーダを用いて,意図特化文の生成を最適に学習し,制御する方法を示す。 クエリ転送と呼ばれる新しいプロトコルを導入し、大規模で遅延のないデータセットを活用できるようにします。
  論文  参考訳（メタデータ） (2020-11-03T14:06:10Z)
• Multi-Style Transfer with Discriminative Feedback on Disjoint Corpus [9.793194158416854]
  スタイル転送は、非並列コーパスを用いた自然言語生成において広く研究されている。 既存のアプローチの共通の欠点は、すべてのスタイリスティックな次元にわたるジョイントアノテーションの前提条件である。 入力テキストの内容を保存しながら、複数のスタイルのスタイルを制御できるモデルの有効性を示す。
  論文  参考訳（メタデータ） (2020-10-22T10:16:29Z)
• Contextual Text Style Transfer [73.66285813595616]
  コンテキストテキストスタイル転送は、文をその周囲のコンテキストを考慮した所望のスタイルに変換することを目的としている。 本稿では,各入力文とその周辺コンテキストに対して2つの異なるエンコーダを使用するコンテキスト認識スタイル転送(CAST)モデルを提案する。 Enron-ContextとReddit-Contextという2つの新しいベンチマークが、フォーマル性と攻撃性スタイルの転送のために導入された。
  論文  参考訳（メタデータ） (2020-04-30T23:01:12Z)
• ST$^2$: Small-data Text Style Transfer via Multi-task Meta-Learning [14.271083093944753]
  テキストスタイルの転送は、コンテンツを保存しながら、あるスタイルの文を別のスタイルに言い換えることを目的としている。 並列トレーニングデータがないため、最先端の手法は教師なしであり、コンテンツを共有する大規模なデータセットに依存している。 そこで本研究では,任意のテキストスタイル間を移動するためのメタラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2020-04-24T13:36:38Z)
• 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。