Upgrade to Pro — share decks privately, control downloads, hide ads and more …

CoCon

6eab2c5953f1146a02e333c9bc5a3f6f?s=47 Zhang Yixiao
December 16, 2020

 CoCon

6eab2c5953f1146a02e333c9bc5a3f6f?s=128

Zhang Yixiao

December 16, 2020
Tweet

Transcript

  1. CoCon: A Self-Supervised Approach for Controlled Text Generation Presenter: Yixiao

    Zhang
  2. TL;DR • 任务:用文本指导文本,进行可控生成 • 亮点: • 让文本成为控制变量:更加灵活 • 漂亮的损失函数 •

    模型是自监督训练的 • 结果表明显著加强了语言模型的可控性
  3. Introduction • 基于Transformer的预训练LM成为了新的浪潮,但是从头训练LM 的成本巨大 • 问题:不改变预训练LM的情况下,LM如何进行控制? • 解决办法1:PPLM,通过属性模型控制生成文本 • 缺点:不够精细,可能造成巨大差异

    Sumanth Dathathri, Andrea Madotto, Janice Lan, Jane Hung, Eric Frank, Piero Molino, Jason Yosinski, and Rosanne Liu. Plug and play language models: a simple approach to controlled text generation. arXiv preprint arXiv:1912.02164, 2019.
  4. Related Work • 生成包含所需属性的文本 • 早期工作 • 条件生成模型,可通过RL或GAN训练 • 缺陷:对预定属性的要求限制了生成文本的可能类型

    • CTRL • 使用control code(预置的metadata)生成文本 • 缺陷:control code也是预先设定的 • PPLM(最相似) • 在LM上插拔一个模块,不重新训练实现生成 • 区别: • 本文旨在在更局部的内容上控制 • CoCon自监督学习,免去了标签数据
  5. Related Work • 文本风格迁移 • 少数研究采用AE以分离表示 • 另外一些模型能识别attribute markers •

    一些特定风格相关的n-grams • 通过替换的方式编辑文本风格
  6. CoCon • 模型目标: • 给定引导文本1:−1 和控制文本,模型 生成: • 过程: •

    分别编码c和x • 自注意力交互,得 到新的特征 • 进行下一个词预测
  7. CoCon • CoCon是一个单层 Transformer Block • 首先得到x和c的QKV • 将KV拼起来过self-attn

  8. Loss Function • 自重构损失(Self Reconstruction Loss) • 令c = ,使得模型能够学习结合控制文本的内容

    • 无文本损失(Null Content Loss) • 令 = ∅,使得模型退化成LM,以生成流畅的文本
  9. Loss Function • 循环重构损失(Cycle Reconstruction Loss) • 在inference中,生成文本不太可能与引导文本共存 • 给定两个不同的文本(,

    ′)
  10. Loss Function • 对抗损失(Adversarial Loss) • 总优化目标

  11. 实验 • 文本引导的文本生成评估指标有BLEU、NIST、METEOR、PPL和 Dist-1/2/3

  12. 实验 • 文本引导的文本生成评估指标有BLEU、NIST、METEOR、PPL和 Dist-1/2/3

  13. 例子

  14. 多个控制