Slide 1

Slide 1 text

MixPoet: Diverse Poetry Generation via Learning Controllable Mixed Latent Space ArXiv: 2003.06094v1 Presenter: Yixiao Zhang

Slide 2

Slide 2 text

Overview • Idea: 诗人经历、历史背景等 => 诗歌风格多样化 • Methods: • semi-supervised VAE • disentangling latent space to sub-spaces • each sub-space corresponds to one factor conditioning • adversarial training

Slide 3

Slide 3 text

Introduction • 近年的研究,主要考虑语义连贯、主题相关 • 存在diversity的困扰 • diversity: • 主题间多样性:给定两个topic words,生成不同的诗歌 • 主题内多样性:给定一个topic word,生成不同的诗歌 • * 现有的模型倾向于记住常见pattern

Slide 4

Slide 4 text

Introduction • 生活经历、历史背景、文学流派 => 影响风格

Slide 5

Slide 5 text

Introduction • MixPoet: semi-supervised VAE • 将latent space分解为sub-spaces,与影响因子一一对应 • 训练阶段:模型预测无label诗歌的factors • 测试阶段:指定factor的值,生成风格化的诗歌

Slide 6

Slide 6 text

Related Work • 诗歌生成模型 (RNNs, Memory Models, etc. ) • 多样性的先前研究: • MRL system: 强化学习,鼓励选用高TF-IDF的词汇 • USPG: 无监督最大化style vector和诗歌的mutual information

Slide 7

Slide 7 text

Related Work • VAE文本生成/诗歌生成 • Yang et. al, 2018b: 学习context-conditioned latent variable • Hu et al. 2017: 对生成的诗歌进行对抗训练,增强topic相关性 • CVAE 对话多样性: Learning Discourse-level Diversity for Neural Dialog Models using Conditional Variational Autoencoders, ACL 2017 • 本文的对抗:在latent space上做对抗训练

Slide 8

Slide 8 text

Method • topic keyword: mixture empirical distributions: labeled/ unlabeled

Slide 9

Slide 9 text

Method: Generator • GRU based model • 是length embedding

Slide 10

Slide 10 text

Method: Semi-supervised C-VAE • 目的是学习 • 引入z • 由于style与semantics耦合 • 不假设y与z的独立性,而是: • 顺序: w => y => z => x (无y label时)

Slide 11

Slide 11 text

Method: Semi-supervised C-VAE • then for labeled data: • 估计先验 • 和后验 分别使用一个network计算, recon时最小化KL散度。

Slide 12

Slide 12 text

Method: Semi-supervised C-VAE • labeled data is too limited • 将y看作另一个latent variable • 估计先验 • 和后验 分别使用一个MLP network计算, recon y时最小化KL散度。

Slide 13

Slide 13 text

Method: Semi-supervised C-VAE • Total Loss:

Slide 14

Slide 14 text

Method: Latent Space Mixture • 多个factor时的情形: • 独立性假设:

Slide 15

Slide 15 text

Method: Latent Space Mixture • How to learn mixed latent space? • For Isotropic Gaussian Space:

Slide 16

Slide 16 text

Method: Latent Space Mixture • How to learn mixed latent space? • For Universal Space: 对于condition: ita是噪声,delta是脉冲函数,c是w, y => 从分布中sample出一个值

Slide 17

Slide 17 text

Method: Latent Space Mixture • 之后使得discriminator区分这两个z • 估计KL散度: • 其中 就是discriminator

Slide 18

Slide 18 text

Experiments • factors: • 军旅生涯, 乡村生活, 其他 • 时代繁荣, 时代衰落 • => 6种style

Slide 19

Slide 19 text

Experiments • Baseline: • Ground Truth • C-VAE • USPG • MRL: SOTA • fBasic, 监督学习模型

Slide 20

Slide 20 text

Experiments • 多样性,使用Jaccard Similarity指数评价,越低越好 • 诗歌质量:使用Language Model Score(LMS)评价 • 观察: • 大多数模型倾向生成重复的短语 • MRL与Basic在intra部分只能生成极其相似的诗歌 • C-VAE情况类似

Slide 21

Slide 21 text

Experiments • Factor Control Results: • 测试生成的诗歌是否与给定因子类别一致

Slide 22

Slide 22 text

Experiments • 主观实验

Slide 23

Slide 23 text

Analysis: Style Mixture

Slide 24

Slide 24 text

Analysis