文献紹介: Generating Sentences from a Continuous Space

2018/05/11の文献紹介で発表

Transcript

1. Generating Sentences from a Continuous Space Samuel R. Bowman, Luke Vilnis, Oriol Vinyals, Andrew M. Dai,
 Rafal Jozefowicz & Samy Bengio. Proceedings of the 20th SIGNLL Conference on Computational Natural Language Learning (CoNLL), pages 10–21, 2016. 文献紹介 2018/05/11 長岡技術科学大学　自然言語処理研究室 稲岡　夢人
2. Abstract •文全体の分散表現を組込んだRNNベースの
 Variational AutoEncoderに関する研究 •スタイル、話題、構文的特徴などの文全体の特徴をモデル化 •文間の潜在空間の経路を調べることで、その間にある文を
 新たに生成することができる !2
3. Abstract •提案モデルを学習させる際の問題を解決する手法の提案 •欠落した語を復元させる効果を実証 •文の潜在空間について興味深い特性について調査 •提案モデルを言語モデルとして使用することについて
 否定的な結果を提示 !3
4. Introduction •RNNLMは状態に基づいて文を単語毎に生成
 ← トピックや構文的特徴など文全体の特徴を解釈可能な
 　　状態で出力しない •Variational AutoEncoderの構造を用いたモデルに
 実用的な訓練手法を利用
 → 文全体の特徴を連続潜在変数として捕捉 !4
5. Unsupervised sentence encoding •Sequence AutoEncoder
 → 中間の表現からは妥当な文が出力できない •Skip-thought model •Paragraph Vector !5
6. Variational AutoEncoder •潜在変数を確率分布に落とし込んだモデル •潜在変数を単一の点としてではなく潜在空間の領域と
 なるように学習
 → 一般にはガウス分布になるよう近づける •学習では真の分布とEncoderの分布のKL divergenceと
 入出力の差を損失としてそれを小さくする !6
7. VAE for sentences •single-layer LSTMをencoder, decoderに用いる
 テキストのVAEを提案 !7
8. Optimization •非ゼロなKL-divergence項と小さなcross entropyを
 持つようなエンコーダが理想的 •普通の実装ではKL-divergence項は0になる •KL cost annealingを用いる !8
9. Optimization •エンコーダに対して強いデコーダを弱めるために
 Word dropout and historyless decodingを行う •入力系列の単語を確率的にUNKに置換 !9
10. Experiments (Language Modeling) •Penn Treebankを用いて言語モデルを学習 •NLLとPPLで評価 •VAEの方が悪い結果であるが、Inputless Decoderでは
 KL lossを含めても性能が向上 !10
11. Experiments
 (Imputing missing words) •VAEは欠落語の入力に適している !11
12. Impact of word dropout •100% word keepでは典型的な文が出力
 0% word keepでは文法的でない文が出力 !12
13. Sampling from the posterior •エンコーダの出力分布の平均、3つのサンプルをデコード •文長とトピックは捉えられている •文が長くなると出力は多様になる !13
14. Homotopies •variationalの方が中間の文が
 文法的でトピックが一貫する !14
15. Conclusion •自然言語文にVAEを使用する方法の提案 •提案モデルによる欠落語の復元の効果を示した •潜在変数間のサンプリングから一貫性のある多様な文を
 生成できることを示した !15