論文の概要: SimpleStyle: An Adaptable Style Transfer Approach

• arxiv url: http://arxiv.org/abs/2212.10498v1
• Date: Tue, 20 Dec 2022 18:12:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 15:57:30.312861
• Title: SimpleStyle: An Adaptable Style Transfer Approach
• Title（参考訳）: SimpleStyle: 適応可能なスタイル転送アプローチ
• Authors: Elron Bandel, Yoav Katz, Noam Slonim, Liat Ein-Dor
• Abstract要約: 本稿では,2つの要素からなる単純な機構に基づいて,属性制御によるテキストの書き直しを最小限かつ効果的に行う手法を提案する。 ソーシャルネットワークからの実世界データに適用することで,本システムの有効性を実証する。 本研究では,本システムの出力をテキスト・トゥ・テキスト・学生モデルに入力することで,追加のフィルタリングを必要とせずに高品質な結果が得られることを示す。
• 参考スコア（独自算出の注目度）: 6.993665837027786
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Attribute Controlled Text Rewriting, also known as text style transfer, has received significant attention in the natural language generation community due to its crucial role in controllable natural language generation systems. In this work we present SimpleStyle a minimalist yet effective approach for attribute controlled text rewriting based on a simple mechanism composed of two ingredients. controlled denoising and output filtering. Despite the simplicity of our approach, which can be succinctly explained with just a few lines of code, it is competitive with previous state-of-the-art methods both in automatic and in human evaluations. Additionally, we demonstrate the practical effectiveness of our system, by applying it to real-world data from social networks. Additionally, we introduce a soft masking sampling technique that further improves the performance of the system. We also show that feeding the output of our system into a text-to-text student model can produce high-quality results without the need for additional filtering. Finally, we suggest that our method can solve the fundamental missing baseline absence that holding progress in the field by offering our protocol as a simple, adaptive and very strong baseline for works wish to make incremental advancements in the field of attribute controlled text rewriting.
• Abstract（参考訳）: Attribute Controlled Text Rewriting(テキストスタイル転送)は、制御可能な自然言語生成システムにおいて重要な役割を担っているため、自然言語生成コミュニティにおいて大きな注目を集めている。 本稿では,2成分からなる簡易な機構に基づく属性制御テキスト書き換えのための,単純スタイルでかつ効果的な手法を提案する。 ノイズ除去と出力フィルタリングを制御 ほんの数行のコードで簡潔に説明できるアプローチの単純さにもかかわらず、自動評価と人間の評価の両方において、以前の最先端の手法と競合する。 さらに,ソーシャルネットワークからの実世界のデータに適用することで,システムの有効性を実証する。 さらに,ソフトマスキングサンプリング技術を導入し,システムの性能をさらに向上させる。 また,システム出力をテキストからテキストへの学生モデルに入力することで,追加のフィルタリングを必要とせずに高品質な結果が得られることを示す。 最後に,本手法は,属性制御テキストの書き直しの分野で段階的な進歩を図りたいと考える作業に対して,プロトコルをシンプルで適応的で強力なベースラインとして提供することにより,フィールドの進行を保ちながら基本的欠落を解消できることを提案する。

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)
• STEER: Unified Style Transfer with Expert Reinforcement [71.3995732115262]
  STEER: Unified Style Transfer with Expert Reinforcementは、スタイル転送のための限られた並列データという課題を克服するために開発された、統一されたフレームワークである。 STEERは堅牢で、ドメイン外のデータでスタイル転送機能を維持し、様々なスタイルでほぼすべてのベースラインを超越している。
  論文  参考訳（メタデータ） (2023-11-13T09:02:30Z)
• MSSRNet: Manipulating Sequential Style Representation for Unsupervised Text Style Transfer [82.37710853235535]
  教師なしのテキストスタイル転送タスクは、メインのコンテンツを保持しながらテキストをターゲットのスタイルに書き換えることを目的としている。 従来の方法では、固定サイズのベクトルを使ってテキストスタイルを規制するが、個々のトークンのスタイル強度を正確に伝達することは困難である。 提案手法は,テキスト中の各トークンに個々のスタイルベクトルを割り当てることでこの問題に対処する。
  論文  参考訳（メタデータ） (2023-06-12T13:12:29Z)
• Prompt-Based Editing for Text Style Transfer [25.863546922455498]
  テキストスタイル転送のためのプロンプトベースの編集手法を提案する。 我々は,プロンプトベースの生成問題を,学習自由なプロセスである分類問題に変換する。 我々のアプローチは、20倍のパラメータを持つ最先端のシステムよりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-01-27T21:31:14Z)
• ITstyler: Image-optimized Text-based Style Transfer [25.60521982742093]
  推論段階で最適化を必要としないテキストベースのスタイル転送手法を提案する。 具体的には,テキスト入力を事前学習したVGGネットワークのスタイル空間に変換し,より効果的なスタイルスワップを実現する。 本手法は,任意のテキスト入力スタイルをリアルタイムに転送し,高品質な芸術画像を合成する。
  論文  参考訳（メタデータ） (2023-01-26T03:08:43Z)
• DiffStyler: Controllable Dual Diffusion for Text-Driven Image Stylization [66.42741426640633]
  DiffStylerは、拡散された結果の内容とスタイルのバランスを制御するための二重拡散処理アーキテクチャである。 本稿では、逆復調処理をベースとしたコンテンツ画像に基づく学習可能なノイズを提案し、そのスタイリング結果により、コンテンツ画像の構造情報をよりよく保存する。
  論文  参考訳（メタデータ） (2022-11-19T12:30:44Z)
• Domain Enhanced Arbitrary Image Style Transfer via Contrastive Learning [84.8813842101747]
  Contrastive Arbitrary Style Transfer (CAST) は、新しいスタイル表現学習法である。 本フレームワークは,スタイルコード符号化のための多層スタイルプロジェクタ,スタイル分布を効果的に学習するためのドメイン拡張モジュール,画像スタイル転送のための生成ネットワークという,3つのキーコンポーネントから構成される。
  論文  参考訳（メタデータ） (2022-05-19T13:11:24Z)
• 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)
• TextSETTR: Few-Shot Text Style Extraction and Tunable Targeted Restyling [23.60231661500702]
  本稿では,テキストスタイル転送問題に対する新しいアプローチを提案する。 本手法は,隣接文間の暗黙的な接続を頼りに,手軽に使用可能な非ラベルテキストを利用する。 ラベルなしAmazonでのトレーニングでは、データレビューの結果が感情伝達に競合するモデルになっていることを実証する。
  論文  参考訳（メタデータ） (2020-10-08T07:06:38Z)

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。