論文の概要: SENSESHIFT: Continuous Sentiment-Controlled Text Generation via Encoder-based Mask Infilling

• arxiv url: http://arxiv.org/abs/2608.24304v1
• Date: Tue, 25 Aug 2026 09:31:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.923256
• Title: SENSESHIFT: Continuous Sentiment-Controlled Text Generation via Encoder-based Mask Infilling
• Title（参考訳）: SENSESHIFT:Encoder-based Mask Infillingによる連続感性制御テキスト生成
• Abstract要約: 感情制御のための制御可能なテキスト生成(CTG)は主にデコーダベースの大規模言語モデルに焦点を当てている。 本稿では,細粒度CTGのためのエンコーダベースのフレームワークであるSenseShiftを紹介する。
• 参考スコア（独自算出の注目度）: 15.293386618135415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent controllable text generation (CTG) for sentiment control has largely focused on decoder-based large language models, making causal attention the dominant paradigm. While effective for fluent generation, these models still struggle to satisfy complex constraints and follow fine-grained sentiment signals specified by users. Existing sentiment-aware CTG methods typically simplify the problem by treating sentiment either as a coarse categorical label (e.g., positive or negative) or as a single fine-grained control signal applied to an entire document. Consequently, more challenging settings such as sentence-level sentiment control within long-form text remain underexplored. To address these limitations, we introduce SenseShift , an encoder-based framework for fine-grained sentence-level CTG. Unlike standard decoder architectures, SenseShift leverages bidirectional attention, quantized sentiment signals, and iterative mask infilling to generate local sentences conditioned on target sentiment intensity. Empirical evaluations on story and review generation demonstrate that SenseShift achieves stronger sentiment controllability while maintaining text quality and robustness to out-of-domain generation compared to larger decoder-based baselines.
• Abstract（参考訳）: 感情制御のための最近の制御可能なテキスト生成(CTG)は、主にデコーダベースの大規模言語モデルに焦点を当てており、因果的注意が支配的なパラダイムとなっている。 流動的な生成には有効だが、これらのモデルは複雑な制約を満たし、ユーザが指定した微妙な感情信号に従うのに苦慮している。 既存の感情認識型CTG法は、感情を粗い分類ラベル(例えば、正または負の)として扱うか、文書全体に適用される単一のきめ細かい制御信号として扱うことで、問題を単純化するのが一般的である。 したがって、長文テキストにおける文レベルの感情制御のようなより困難な設定は、まだ未検討のままである。 これらの制約に対処するため,細粒度CTGのためのエンコーダベースのフレームワークであるSenseShiftを導入する。 標準的なデコーダアーキテクチャとは異なり、SenseShiftは双方向の注意、量子化された感情信号、反復マスクの埋め込みを利用して、ターゲットの感情強度を条件とした局所文を生成する。 ストーリーとレビュー生成に関する実証的な評価は、より大規模なデコーダベースのベースラインに比べて、テキストの品質とドメイン外生成に対する堅牢性を維持しながら、SenseShiftが強い感情制御性を達成することを示している。

関連論文リスト

• Toward Stronger Code Watermarking: A Grammar-Driven Approach to Optimizing the Trade-off Between Quality and Detectability [43.59505715248063]
  本稿では,Large Language Models (LLM) のためのGDW (Grammar-Driven Watermark) と呼ばれる新しいコード透かし手法を提案する。 GDWは文法誘導3レベルマスキング機構を通じて統語的妥当性を保ち、構造的役割認識変調により透かし信号を注入する。 GDWは,変数リネーム攻撃に対するロバスト性を維持しつつ,既存の手法よりも優れた品質-検出可能性トレードオフフロンティアを確立していることを示す。
  論文  参考訳（メタデータ） (2026-07-11T08:43:15Z)
• When Text-as-Vision Meets Semantic IDs in Generative Recommendation: An Empirical Study [48.67151986743594]
  テキストを視覚信号として扱うことでセマンティックID学習の表現設計を再考する。 項目記述を画像に描画することで得られるOCRに基づくテキスト表現の体系的な実証的研究を行う。 OCR-text は, セマンティックID 学習における標準テキスト埋め込みと一意に一致しているか, 上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-01-21T06:18:57Z)
• FineXtrol: Controllable Motion Generation via Fine-Grained Text [46.315592728110346]
  FineXtrolは、時間的に認識され、正確で、ユーザフレンドリで、きめ細かいテキスト制御信号によってガイドされる、効率的なモーション生成のための新しいフレームワークである。 制御可能なモーション生成においてFineXtrolは高い性能を示す。
  論文  参考訳（メタデータ） (2025-11-24T09:32:26Z)
• Advancing Machine-Generated Text Detection from an Easy to Hard Supervision Perspective [108.30620357325559]
  既存の機械生成テキスト(MGT)検出手法は、ラベルを「黄金標準」として暗黙的に仮定する このような不正確な条件下での信頼性の高い監視を実現するための,容易かつハードな強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-02T15:59:31Z)
• DTPA: Dynamic Token-level Prefix Augmentation for Controllable Text Generation [10.166289358891238]
  エアデコードによって生成されたテキストの制御性は、シーケンス長の増加とともに低下する傾向にある。 ソフトプレフィックスやハードプレフィックスを含む様々な種類のプレフィックスも、パフォーマンスに影響を与える重要な要因である。 制御可能なテキスト生成のためのAir-Decodingに基づく動的トークンレベルの事前修正(DTPA)を提案する。
  論文  参考訳（メタデータ） (2025-08-06T03:20:33Z)
• ControlThinker: Unveiling Latent Semantics for Controllable Image Generation through Visual Reasoning [76.2503352325492]
  ControlThinkerは、"Comprehend-then-generate"パラダイムを採用した、新しいフレームワークである。 制御画像からの潜在セマンティクスは、テキストプロンプトを豊かにするためにマイニングされる。 このリッチなセマンティック理解は、追加の複雑な修正を必要とせずに、画像生成をシームレスに支援する。
  論文  参考訳（メタデータ） (2025-06-04T05:56:19Z)
• Test-Time Alignment for Large Language Models via Textual Model Predictive Control [63.508812485566374]
  Textual Model Predictive Control (TMPC) は、推論時に大規模言語モデルを調整するために適応された新しい予測計画フレームワークである。 TMPCは、談話レベル翻訳、長文応答生成、プログラム合成の3つの異なるセグメンテーション特性を持つタスクで評価される。 その結果、TMPCはパフォーマンスを継続的に改善し、一般性を強調している。
  論文  参考訳（メタデータ） (2025-02-28T07:24:33Z)
• Detecting Machine-Generated Long-Form Content with Latent-Space Variables [54.07946647012579]
  既存のゼロショット検出器は主に、現実世界のドメインシフトに弱いトークンレベルの分布に焦点を当てている。 本稿では,イベント遷移などの抽象的要素を機械対人文検出の鍵となる要因として組み込んだ,より堅牢な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-04T18:42:09Z)
• LiFi: Lightweight Controlled Text Generation with Fine-Grained Control Codes [46.74968005604948]
  本稿では、制御されたテキスト生成のためのきめ細かい制御を備えた軽量なアプローチであるLIFIを提案する。 我々は、感情制御とトピック制御という従来の2つのタスクと、新たに提案された1つのタスクでLIFIを評価する。
  論文  参考訳（メタデータ） (2024-02-10T11:53:48Z)
• Fine-grained Controllable Video Generation via Object Appearance and Context [74.23066823064575]
  細粒度制御可能なビデオ生成法(FACTOR)を提案する。 FACTORは、オブジェクトの位置とカテゴリを含む、オブジェクトの外観とコンテキストを制御することを目的としている。 本手法は,オブジェクトの外観を微調整せずに制御し,オブジェクトごとの最適化作業を省く。
  論文  参考訳（メタデータ） (2023-12-05T17:47:33Z)

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。