論文の概要: Contrastive Representation Learning for Exemplar-Guided Paraphrase Generation

• arxiv url: http://arxiv.org/abs/2109.01484v1
• Date: Fri, 3 Sep 2021 12:57:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-06 17:10:41.513967
• Title: Contrastive Representation Learning for Exemplar-Guided Paraphrase Generation
• Title（参考訳）: 上級誘導パラフレーズ生成のためのコントラスト表現学習
• Authors: Haoran Yang, Wai Lam and Piji Li
• Abstract要約: 本稿では,スタイルと内容の表現性の向上を目的とした新しい手法を提案する。 その考え方は、コンテンツとスタイルに関して2つの対照的な損失を設計することである。 QQP-PosとParaNMTの2つのデータセットによる実験により,提案手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 42.239891988653426
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Exemplar-Guided Paraphrase Generation (EGPG) aims to generate a target sentence which conforms to the style of the given exemplar while encapsulating the content information of the source sentence. In this paper, we propose a new method with the goal of learning a better representation of the style andthe content. This method is mainly motivated by the recent success of contrastive learning which has demonstrated its power in unsupervised feature extraction tasks. The idea is to design two contrastive losses with respect to the content and the style by considering two problem characteristics during training. One characteristic is that the target sentence shares the same content with the source sentence, and the second characteristic is that the target sentence shares the same style with the exemplar. These two contrastive losses are incorporated into the general encoder-decoder paradigm. Experiments on two datasets, namely QQP-Pos and ParaNMT, demonstrate the effectiveness of our proposed constrastive losses.
• Abstract（参考訳）: Exemplar-Guided Paraphrase Generation (EGPG) は、原文の内容情報をカプセル化しながら、与えられた原文のスタイルに適合するターゲット文を生成することを目的としている。 本稿では,スタイルとコンテンツの表現性を向上させることを目的とした新しい手法を提案する。 この手法は主に、教師なし特徴抽出タスクにおけるその能力を示すコントラスト学習の最近の成功に動機づけられている。 この考え方は、トレーニング中の2つの問題特性を考慮して、内容とスタイルに関する2つの対照的な損失を設計することである。 1つの特徴は、対象文が原文と同一内容を共有し、もう1つの特徴は、対象文が類似したスタイルを共有することである。 これら2つの対照的な損失は、一般的なエンコーダ・デコーダパラダイムに組み込まれている。 QQP-PosとParaNMTの2つのデータセットによる実験により,提案手法の有効性が示された。

関連論文リスト

• DenoSent: A Denoising Objective for Self-Supervised Sentence Representation Learning [59.4644086610381]
  本稿では,他の視点,すなわち文内視点から継承する新たな認知的目的を提案する。 離散ノイズと連続ノイズの両方を導入することで、ノイズの多い文を生成し、モデルを元の形式に復元するように訓練する。 我々の経験的評価は,本手法が意味的テキスト類似性(STS)と幅広い伝達タスクの両面で競合する結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2024-01-24T17:48:45Z)
• SimCSE++: Improving Contrastive Learning for Sentence Embeddings from Two Perspectives [32.6620719893457]
  本稿では,2つの視点から文埋め込みのコントラスト学習を改善する。 まず、負対からの落音がモデルの性能に影響を及ぼすことを確かめる。 次に,このようなノイズに対処するための簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2023-05-22T16:24:46Z)
• DSI2I: Dense Style for Unpaired Image-to-Image Translation [70.93865212275412]
  Inpaired exemplar-based image-to-image (UEI2I) 翻訳は、ソース画像をターゲット画像領域に変換する。 我々は,スタイルを高密度な特徴写像として表現し,外部意味情報を必要とせず,よりきめ細かなソース画像の転送を可能にすることを提案する。 以上の結果から,本手法による翻訳は,より多様であり,資料内容の保存性が向上し,最先端の手法と比較すると,先例に近づいたことが示唆された。
  論文  参考訳（メタデータ） (2022-12-26T18:45:25Z)
• Gradient-guided Unsupervised Text Style Transfer via Contrastive Learning [6.799826701166569]
  そこで本研究では,テキストスタイル転送のためのコントラストパラダイムによる勾配誘導モデルを提案し,類似した意味文を明示的に収集する。 2つのデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-01-23T12:45:00Z)
• 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)
• 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)
• Pseudo-Convolutional Policy Gradient for Sequence-to-Sequence Lip-Reading [96.48553941812366]
  唇読解は唇運動系列から音声内容を推測することを目的としている。 seq2seqモデルの伝統的な学習プロセスには2つの問題がある。 本稿では,これら2つの問題に対処するために,PCPGに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-03-09T09:12:26Z)

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。