論文の概要: Syntax Matters! Syntax-Controlled in Text Style Transfer

• arxiv url: http://arxiv.org/abs/2108.05869v1
• Date: Thu, 12 Aug 2021 17:35:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-13 14:39:38.551713
• Title: Syntax Matters! Syntax-Controlled in Text Style Transfer
• Title（参考訳）: Syntax Matters! テキストスタイル転送における構文制御
• Authors: Zhiqiang Hu, Roy Ka-Wei Lee, Charu C. Aggarwal
• Abstract要約: 既存のテキストスタイル転送(TST)メソッドは、テキストの内容とスタイル属性をアンタングルするスタイル分類器に依存している。 本稿では,構文認識スタイル分類器を含む新しい構文認識制御可能生成(SACG)モデルを提案する。 提案手法は最先端の手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 24.379552683296392
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing text style transfer (TST) methods rely on style classifiers to disentangle the text's content and style attributes for text style transfer. While the style classifier plays a critical role in existing TST methods, there is no known investigation on its effect on the TST methods. In this paper, we conduct an empirical study on the limitations of the style classifiers used in existing TST methods. We demonstrate that the existing style classifiers cannot learn sentence syntax effectively and ultimately worsen existing TST models' performance. To address this issue, we propose a novel Syntax-Aware Controllable Generation (SACG) model, which includes a syntax-aware style classifier that ensures learned style latent representations effectively capture the syntax information for TST. Through extensive experiments on two popular TST tasks, we show that our proposed method significantly outperforms the state-of-the-art methods. Our case studies have also demonstrated SACG's ability to generate fluent target-style sentences that preserved the original content.
• Abstract（参考訳）: 既存のtext style transfer (tst)メソッドは、テキストの内容とテキストスタイル転送のスタイル属性を分離するスタイル分類子に依存している。 スタイル分類器は既存のTST法において重要な役割を担っているが,そのTST法に対する影響は分かっていない。 本稿では,既存のTST手法におけるスタイル分類器の限界に関する実証的研究を行う。 既存のスタイル分類器は文構文を効果的に学習できず、結果として既存のTSTモデルの性能が悪化することを示した。 この問題に対処するために,TSTの構文情報を効果的にキャプチャする学習スタイル潜在表現を保証する構文認識型分類器を含む,新しい構文認識制御可能生成(SACG)モデルを提案する。 2つのTSTタスクの広範な実験を通して,提案手法が最先端の手法よりも優れていることを示す。 ケーススタディでは,SACGが原文を保存した流動的なターゲットスタイルの文を生成する能力も実証されている。

関連論文リスト

• Style-Specific Neurons for Steering LLMs in Text Style Transfer [55.06697862691798]
  テキストスタイル転送(TST)は、本来の意味を変更することなく、テキストのスタイルを変更することを目的としている。 スタイル特異的ニューロンを用いた大規模言語モデルのステアリング手法であるsNeuron-TSTを提案する。
  論文  参考訳（メタデータ） (2024-10-01T11:25:36Z)
• Text Style Transfer: An Introductory Overview [0.1534667887016089]
  テキストスタイル転送(TST)は、スタイルに依存しないコンテンツを保存しながらテキストスタイルの属性を操作する自然言語生成において重要なタスクである。 TSTを対象とする属性は、丁寧さ、著者シップ、攻撃的言語の緩和、感情の修正、テキストの形式調整など、多岐にわたる可能性がある。 本稿では,その課題,既存アプローチ,データセット,評価尺度,サブタスク,アプリケーションについて概説する。
  論文  参考訳（メタデータ） (2024-07-20T09:54:55Z)
• Style Mixture of Experts for Expressive Text-To-Speech Synthesis [7.6732312922460055]
  StyleMoEは、スタイルエンコーダにおける平均的なスタイル表現の学習の問題に対処するアプローチである。 提案手法は,TSフレームワークのスタイルエンコーダをMixture of Expertsレイヤに置き換える。 客観的および主観的両方の実験は,多様かつ見当たらない参照音声に対するスタイル伝達の改善を実証した。
  論文  参考訳（メタデータ） (2024-06-05T22:17:47Z)
• Expressive TTS Driven by Natural Language Prompts Using Few Human Annotations [12.891344121936902]
  Expressive Text-to-Speech (TTS) は、人間の声調、気分、さらには芸術的特性で音声を合成することを目的としている。 TTSの最近の進歩は、自然言語のプロンプトを通じて、ユーザーが直接合成スタイルを制御できるようになる。 最小限のアノテーションを持つ制御可能な表現型TSモデルであるFreeStyleTTS(FS-TTS)を提案する。
  論文  参考訳（メタデータ） (2023-11-02T14:20:37Z)
• 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)
• StylerDALLE: Language-Guided Style Transfer Using a Vector-Quantized Tokenizer of a Large-Scale Generative Model [64.26721402514957]
  本論文では,自然言語を用いて抽象芸術スタイルを記述するスタイル転送手法であるStylerDALLEを提案する。 具体的には、非自己回帰的なトークンシーケンス変換として、言語誘導型転送タスクを定式化する。 スタイル情報を組み込むために,CLIPに基づく言語指導による強化学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-16T12:44:44Z)
• On Text Style Transfer via Style Masked Language Models [5.754152248672319]
  テキストスタイル転送(TST)は、潜在空間のゆがみ、サイクル整合性損失、プロトタイプ編集などのアプローチで実行可能である。 本稿では,a)ソーススタイル関連トークンのマスキング,b)ターゲットスタイルを条件としたこのソーススタイルマスク文の再構成という2つの重要なフェーズを含むプロトタイプ編集手法を提案する。 この非世代的アプローチは、Discourseのような複雑なベースラインであっても、TSTのようなタスクの"コンテンツ保存"基準をうまく組み合っていることを実証的に示す。
  論文  参考訳（メタデータ） (2022-10-12T16:44:06Z)
• VAE based Text Style Transfer with Pivot Words Enhancement Learning [5.717913255287939]
  本稿では,VT-STOWER法(PivOt Words Enhancement leaRning)を用いたVAEベースのテキストスタイル転送を提案する。 本稿では,特定のスタイルで決定的な単語を学習するためのピボット・ワード・ラーニングを紹介する。 提案したVT-STOWERは、新しいフレキシブルなスタイルの強度制御機構により、異なるTSTシナリオにスケールすることができる。
  論文  参考訳（メタデータ） (2021-12-06T16:41:26Z)
• 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)
• Transductive Learning for Unsupervised Text Style Transfer [60.65782243927698]
  教師なしスタイル転送モデルは、主に帰納的学習アプローチに基づいている。 本稿では,検索に基づく文脈認識スタイルの表現に基づく新しいトランスダクティブ学習手法を提案する。
  論文  参考訳（メタデータ） (2021-09-16T08:57:20Z)
• StylePTB: A Compositional Benchmark for Fine-grained Controllable Text Style Transfer [90.6768813620898]
  スタイル転送は、ソース文定数からコアの意味を維持しながら、ターゲットのスタイル変更を伴うテキストを制御的に生成することを目的としています。 テキストの原子語彙,構文,セマンティック,セマンティックトランスファーにまたがる21のきめ細かなスタイリスティックな文を含む大規模ベンチマークであるStylePTBを導入する。 StylePTBの既存のメソッドは、細かい変更をモデル化するのに苦労し、複数のスタイルを構成するのにさらに困難です。
  論文  参考訳（メタデータ） (2021-04-12T04:25:09Z)

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。