論文の概要: Conversation Style Transfer using Few-Shot Learning

• arxiv url: http://arxiv.org/abs/2302.08362v2
• Date: Thu, 21 Sep 2023 23:14:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-25 19:25:45.593351
• Title: Conversation Style Transfer using Few-Shot Learning
• Title（参考訳）: マイトショット学習を用いた会話スタイル伝達
• Authors: Shamik Roy, Raphael Shu, Nikolaos Pappas, Elman Mansimov, Yi Zhang, Saab Mansour and Dan Roth
• Abstract要約: 本稿では,会話スタイルの伝達を数ショットの学習問題として紹介する。 そこで本研究では,スタイルフリー対話による課題をピボットとして解くための,コンテキスト内学習手法を提案する。 会話スタイルの転送は下流のタスクにも役立ちます。
• 参考スコア（独自算出の注目度）: 56.43383396058639
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional text style transfer approaches focus on sentence-level style transfer without considering contextual information, and the style is described with attributes (e.g., formality). When applying style transfer in conversations such as task-oriented dialogues, existing approaches suffer from these limitations as context can play an important role and the style attributes are often difficult to define in conversations. In this paper, we introduce conversation style transfer as a few-shot learning problem, where the model learns to perform style transfer by observing only a few example dialogues in the target style. We propose a novel in-context learning approach to solve the task with style-free dialogues as a pivot. Human evaluation shows that by incorporating multi-turn context, the model is able to match the target style while having better appropriateness and semantic correctness compared to utterance/sentence-level style transfer. Additionally, we show that conversation style transfer can also benefit downstream tasks. For example, in multi-domain intent classification tasks, the F1 scores improve after transferring the style of training data to match the style of the test data.
• Abstract（参考訳）: 従来のテキストスタイル転送アプローチでは、文脈情報を考慮せずに文レベルのスタイル転送に注目し、そのスタイルを属性(例えば形式性)で記述する。 タスク指向対話のような会話にスタイル転送を適用する場合、コンテキストが重要な役割を果たす可能性があるため、既存のアプローチはこれらの制限に悩まされる。 本稿では,目的とする対話をほんの数例だけ観察することで,モデルがスタイル伝達を行うように学習する,マイズショット学習問題として会話スタイル伝達を提案する。 本稿では,スタイルフリーな対話をピボットとして解くための,新しいインコンテキスト学習手法を提案する。 人的評価は、マルチターンコンテキストを組み込むことで、発話/文レベルのスタイル転送よりも適切な適切性と意味的正当性を保ちながら、ターゲットスタイルに適合できることを示している。 さらに,会話スタイル転送は下流タスクにも有用であることを示す。 例えば、マルチドメインの意図分類タスクでは、F1はテストデータのスタイルに合わせてトレーニングデータのスタイルを転送して改善する。

関連論文リスト

• SETTP: Style Extraction and Tunable Inference via Dual-level Transferable Prompt Learning [22.04285529067442]
  デュアルレベルトランスファーブル・プロンプト学習によるスタイル抽出とチューナブル推論を提案する。 SETTPは、高リソーススタイル転送から基本スタイルの特徴を含むソーススタイルレベルのプロンプトを学習する。 実験によると、SETTPは最先端の手法に匹敵するパフォーマンスを達成するためにデータボリュームの1/20しか必要としない。
  論文  参考訳（メタデータ） (2024-07-22T11:34:48Z)
• 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)
• Don't lose the message while paraphrasing: A study on content preserving style transfer [61.38460184163704]
  スタイル伝達研究の現実的な応用には,コンテンツ保存が不可欠である。 形式性伝達領域の例において、様々なスタイル転送モデルを比較する。 我々は,スタイル伝達のための最先端技術について,精密な比較研究を行っている。
  論文  参考訳（メタデータ） (2023-08-17T15:41:08Z)
• TranSTYLer: Multimodal Behavioral Style Transfer for Facial and Body Gestures Generation [2.7317088388886384]
  本稿では,仮想エージェントの行動表現性スタイルを他のエージェントに転送するという課題に対処する。 本稿では,音源話者のマルチモーダルな振る舞いをターゲット話者のスタイルで合成するマルチモーダルトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-08T15:42:35Z)
• StoryTrans: Non-Parallel Story Author-Style Transfer with Discourse Representations and Content Enhancing [73.81778485157234]
  長文は通常、文よりも談話構造のような複雑な著者の言語的嗜好を含んでいる。 我々は、入力されたストーリーを特定の著者スタイルに転送する必要があるノン並列ストーリー作者スタイル転送のタスクを定式化する。 モデルが自動エンコーダに退化することを防ぐために,学習した談話表現からスタイル的特徴を引き離すための追加の学習目標を用いる。
  論文  参考訳（メタデータ） (2022-08-29T08:47:49Z)
• Spoken Style Learning with Multi-modal Hierarchical Context Encoding for Conversational Text-to-Speech Synthesis [59.27994987902646]
  歴史的会話から話し言葉のスタイルを学習する研究は、まだ初期段階にある。 歴史的会話の書き起こしのみが考慮され、歴史的スピーチの話し方を無視している。 マルチモーダル階層型コンテキスト符号化を用いた音声スタイル学習手法を提案する。
  論文  参考訳（メタデータ） (2021-06-11T08:33:52Z)
• Exploring Contextual Word-level Style Relevance for Unsupervised Style Transfer [60.07283363509065]
  教師なしのスタイル転送は、元のコンテンツを保持しながら入力文のスタイルを変更することを目的としている。 本稿では,各出力語がターゲットスタイルに関連性があることを活かした,新たな注目シーケンス・ツー・シーケンスモデルを提案する。 実験結果から,提案手法は転送精度とコンテンツ保存の両面から,最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-05-05T10:24:28Z)
• 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)

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。