Adversariales Rangieren für Sprachgenerierung

Generative Adversarial Networks (GANs) haben bei der Synthese von Daten große Erfolge erzielt. Die bestehenden GANs beschränken jedoch den Diskriminator auf einen binären Klassifikator und begrenzen dadurch ihre Lernkapazität für Aufgaben, die eine Synthese von Ausgaben mit reichen Strukturen wie natürlichsprachlichen Beschreibungen erfordern. In dieser Arbeit schlagen wir ein neues generatives adversariales Netzwerk, RankGAN, vor, das hochwertige Sprachbeschreibungen erzeugen kann. Anstatt den Diskriminator zu trainieren, um absolute binäre Prädikate für einzelne Datenbeispiele zu lernen und zuzuweisen, ist der vorgeschlagene RankGAN in der Lage, eine Sammlung von menschlich geschriebenen und maschinell generierten Sätzen durch die Bereitstellung einer Referenzgruppe zu analysieren und zu bewerten. Indem eine Menge von Datenbeispielen kollektiv betrachtet wird und deren Qualität durch relative Rangfolgenbewertungen evaluiert wird, kann der Diskriminator bessere Einschätzungen treffen, was wiederum dazu beiträgt, einen besseren Generator zu lernen. Das vorgeschlagene RankGAN wird durch die Policy-Gradienten-Technik optimiert. Experimentelle Ergebnisse auf mehreren öffentlichen Datensätzen zeigen deutlich die Effektivität des vorgeschlagenen Ansatzes.