論文の概要: Balancing the Style-Content Trade-Off in Sentiment Transfer Using
Polarity-Aware Denoising
- arxiv url: http://arxiv.org/abs/2312.14708v1
- Date: Fri, 22 Dec 2023 14:06:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-25 14:53:25.409719
- Title: Balancing the Style-Content Trade-Off in Sentiment Transfer Using
Polarity-Aware Denoising
- Title（参考訳）: 極性認知デノジングを用いた感覚伝達におけるスタイルコンテンツトレードオフのバランス
- Authors: Sourabrata Mukherjee, Zden\v{e}k Kasner, Ond\v{r}ej Du\v{s}ek
- Abstract要約: テキストの感情伝達は、感情に依存しないコンテンツを保持しながら、文章の感情の極性を反転させることを目的としている。
本稿では, 極性認識に基づく感情伝達モデルを提案し, 生成したテキストの感情特性を正確に制御する。
- 参考スコア（独自算出の注目度）: 2.6257091223425704
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Text sentiment transfer aims to flip the sentiment polarity of a sentence
(positive to negative or vice versa) while preserving its sentiment-independent
content. Although current models show good results at changing the sentiment,
content preservation in transferred sentences is insufficient. In this paper,
we present a sentiment transfer model based on polarity-aware denoising, which
accurately controls the sentiment attributes in generated text, preserving the
content to a great extent and helping to balance the style-content trade-off.
Our proposed model is structured around two key stages in the sentiment
transfer process: better representation learning using a shared encoder and
sentiment-controlled generation using separate sentiment-specific decoders.
Empirical results show that our methods outperforms state-of-the-art baselines
in terms of content preservation while staying competitive in terms of style
transfer accuracy and fluency.
- Abstract（参考訳）: テキストの感情伝達は、感情に依存しないコンテンツを保持しながら、文章の感情の極性を反転させることを目的としている。
現在のモデルでは感情の変化は良好であるが, 翻訳文のコンテンツ保存は不十分である。
本稿では,生成されたテキストの感情属性を正確に制御し,コンテンツの保存とスタイル・コンテンツのトレードオフのバランスを図る,極性認識に基づく感情伝達モデルを提案する。
提案手法は,共有エンコーダを用いた表現学習と感情特異的デコーダを用いた感情制御生成の2つの段階からなる。
実験結果から,本手法はコンテンツ保存の面では最先端ベースラインを上回っており,スタイル転送精度とフラレンシーの面では競争力を維持していることが示された。
関連論文リスト
- SentiCSE: A Sentiment-aware Contrastive Sentence Embedding Framework with Sentiment-guided Textual Similarity [12.954271451359222]
感性認識型事前学習言語モデル(PLM)は、下流の感情分析タスクにおいて顕著な結果を示す。
本稿では,感情表現の質を評価するための新しい指標である感性誘導テキスト類似度(SgTS)を提案する。
次に、感性表現を構築するための新しい感性認識コントラスト文埋め込みフレームワークであるSentiCSEを提案する。
論文 参考訳（メタデータ） (2024-04-01T13:24:20Z) - Scalable Motion Style Transfer with Constrained Diffusion Generation [27.330473515686187]
スタイル転送システムの現在のトレーニングは、コンテンツを保存するためにスタイルドメイン間の一貫性の低下に依存している。
最近の画像伝達の研究は、拡散モデル間の暗黙のブリッジングを活用することにより、各領域における独立したトレーニングの可能性を示している。
トレーニング段階におけるドメイン独立性を維持しながら、後方拡散におけるバイアスサンプリングを行うことにより、この問題に対処する。
論文 参考訳（メタデータ） (2023-12-12T14:28:31Z) - Text Attribute Control via Closed-Loop Disentanglement [72.2786244367634]
本稿では,コンテンツ保存性を高めつつ,属性のロバストな制御を実現するための新しい手法を提案する。
本稿では,半教師付きコントラスト学習法を用いて,潜在空間における属性のアンタングル化を促進する。
Yelp Serviceレビューデータセット、Amazon Product Reviewデータセット、GoEmotionsデータセットを含む3つのテキストデータセットの実験を行った。
論文 参考訳（メタデータ） (2023-12-01T01:26:38Z) - ALADIN-NST: Self-supervised disentangled representation learning of
artistic style through Neural Style Transfer [60.6863849241972]
我々は、画像に描かれた意味的内容から、より強く絡み合った視覚芸術スタイルの表現を学習する。
スタイルと内容の絡み合いに強く対処することで、スタイル固有のメトリクスが大きく向上することを示します。
論文 参考訳（メタデータ） (2023-04-12T10:33:18Z) - Generative Sentiment Transfer via Adaptive Masking [9.093228123404929]
Sentiment Transferは、入力テキストを修正して、元のセマンティックコンテンツを保持しながら、与えられた感情の極性を満たすことを目的としている。
既存の明示的なアプローチは、単に以前の言語知識に基づいて感情トークンを識別し、マスクするのが一般的である。
注意機構に基づいた適応型タスク関連マスクを学習するための新しいAM-STモデルを提案する。
論文 参考訳（メタデータ） (2023-02-23T14:17:34Z) - Diffusion-based Image Translation using Disentangled Style and Content
Representation [51.188396199083336]
セマンティックテキストや単一のターゲット画像でガイドされた拡散ベースの画像変換により、柔軟なスタイル変換が可能になった。
逆拡散中、画像の原内容を維持することはしばしば困難である。
本稿では,不整合スタイルとコンテンツ表現を用いた新しい拡散に基づく教師なし画像翻訳手法を提案する。
提案手法は,テキスト誘導と画像誘導の両方の翻訳作業において,最先端のベースラインモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-09-30T06:44:37Z) - Scaling-up Disentanglement for Image Translation [40.7636450847048]
ラベル付き属性とラベルなし属性を分離する単一のフレームワークであるOverLORDを提案する。
私達は反対の訓練か建築バイアスに頼りません。
大規模な評価では,最先端手法よりも翻訳品質が高く,出力の多様性も優れている。
論文 参考訳（メタデータ） (2021-03-25T17:52:38Z) - Fine-grained Sentiment Controlled Text Generation [28.20006438705556]
制御されたテキスト生成技術は、属性独立コンテンツを保持しながら、特定の属性を規制することを目的としている。
本稿では,情報に富んだ絡み合い表現と属性固有の非絡み合い表現の両方をキャプチャする階層型フレームワークDE-VAEを提案する。
論文 参考訳（メタデータ） (2020-06-17T14:17:58Z) - Improving Disentangled Text Representation Learning with
Information-Theoretic Guidance [99.68851329919858]
自然言語の独特な性質は、テキスト表現の分離をより困難にする。
情報理論にインスパイアされた本研究では,テキストの不整合表現を効果的に表現する手法を提案する。
条件付きテキスト生成とテキストスタイル転送の両方の実験は、不整合表現の質を実証する。
論文 参考訳（メタデータ） (2020-06-01T03:36:01Z) - 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) - Learning to Select Bi-Aspect Information for Document-Scale Text Content
Manipulation [50.01708049531156]
我々は、テキストスタイルの転送とは逆の文書スケールのテキストコンテンツ操作という、新しい実践的なタスクに焦点を当てる。
詳細は、入力は構造化されたレコードと、別のレコードセットを記述するための参照テキストのセットである。
出力は、ソースレコードセットの部分的内容と参照の書き込みスタイルを正確に記述した要約である。
論文 参考訳（メタデータ） (2020-02-24T12:52:10Z)
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。