通过逐步评估改进条件序列生成对抗网络
计算与语言
2019-02-12 v2 机器学习
摘要
序列生成对抗网络（SeqGAN）已被用于改进条件序列生成任务，例如闲聊对话生成。为稳定 SeqGAN 的训练，采用蒙特卡洛树搜索（MCTS）或每生成步奖励（REGS）来评估所生成子序列的优劣。MCTS 计算密集，但 REGS 的性能不如 MCTS。在本文中，我们提出逐步 GAN（StepGAN），其中判别器被修改为自动为每个生成步的每个子序列分配量化其优劣的分数。StepGAN 的计算代价显著低于 MCTS。我们证明 StepGAN 在合成实验与闲聊对话生成上均优于先前基于 GAN 的方法。
引用
@article{arxiv.1808.05599,
title = {Improving Conditional Sequence Generative Adversarial Networks by Stepwise Evaluation},
author = {Yi-Lin Tuan and Hung-Yi Lee},
journal= {arXiv preprint arXiv:1808.05599},
year = {2019}
}