通过可逆神经网络学习解释性解耦语义空间

解耦潜空间通常具有更好的语义可分性与几何性质，从而带来更好的可解释性与更可控的数据生成。尽管这在计算机视觉中已被充分研究，例如在图像解耦等任务中，NLP 领域的句子解耦仍相对研究不足。以往多数工作集中于在风格迁移背景下解耦任务特定的生成因素，如情感。本工作中，我们关注一种更通用的句子解耦形式，旨在对更通用的句子语义特征进行局部化修改与控制。为此，我们提出句子语义解耦的新概念，并引入一种基于流的（flow-based）可逆神经网络（INN）机制，其与基于 transformer 的语言自编码器（AE）相集成，以交付具有更好可分性性质的潜空间。实验结果表明，与近期最先进的语言 VAE 模型相比，该模型能将分布式潜空间转化为语义解耦更好的句子空间，从而提升语言可解释性与可控生成。