文本风格迁移：重训练、报告误差、与改写对比
计算与语言
2022-11-15 v2 机器学习
摘要
本文表明风格迁移的标准评估方法存在若干显著问题。首先，风格准确率和语义保持的标准度量在不同重复运行下差异显著。因此必须报告所得结果的误差范围。其次，从输入与输出之间的双语评估替补(BLEU)以及情感迁移准确率的特定取值开始，对这两个标准度量的优化会偏离风格迁移任务的直观目标。最后，由于任务本身的性质，这两个度量之间存在一种可被轻易操纵的特定依赖关系。在此情形下，我们建议将输入与人类改写文本之间的 BLEU 纳入基准考量。我们还提出了三种新架构，在该度量上优于当前最优方法。
引用
@article{arxiv.1908.06809,
title = {Style Transfer for Texts: Retrain, Report Errors, Compare with Rewrites},
author = {Alexey Tikhonov and Viacheslav Shibaev and Aleksander Nagaev and Aigul Nugmanova and Ivan P. Yamshchikov},
journal= {arXiv preprint arXiv:1908.06809},
year = {2022}
}