摘要
生成对抗网络（GANs）在生成逼真图像方面已取得显著成功，但在文本生成任务中，现代GAN架构仍面临巨大挑战。本文提出一种新型GAN架构——RelGAN，用于文本生成。该架构包含三个核心组件：基于关系记忆的生成器，用于建模长距离依赖关系；Gumbel-Softmax松弛方法，用于在离散数据上训练GAN；以及判别器中引入的多种嵌入表示，以向生成器提供更具信息量的更新信号。实验结果表明，RelGAN在样本质量与多样性方面均优于当前最先进的模型。通过消融实验进一步揭示，RelGAN的每一组件均对其性能提升起到关键作用。此外，本方法的一个显著优势在于，可通过单一可调参数灵活控制样本质量与多样性之间的权衡，这一特性使其区别于其他GAN模型。最后，RelGAN是首个成功将Gumbel-Softmax松弛方法应用于真实文本生成的GAN架构。