Key points are not available for this paper at this time.
تتمثل القدرة على تعلُّم تمثيلات ميزات قوية وقابلة للتغيير من بيانات غير مُصنفة في تطبيقات محتملة في مجموعة واسعة من مهام تعلُّم الآلة. إحدى الطرق لإنشاء مثل هذه التمثيلات هي تدريب نماذج توليدية عميقة يمكنها تعلُّم التقاط التوزيع المعقد للبيانات في العالم الحقيقي. أظهرت منهجيات الشبكات التنافسية التوليدية (GAN) نتائج مثيرة للإعجاب في إنتاج نماذج توليدية للصور، لكن تم القيام بعمل نسبي قليل لتقييم أداء هذه الأساليب في تعلُّم تمثيل اللغة الطبيعية، سواء في الإعدادات المُراقَبة أو غير المُراقَبة على مستوى الوثيقة والجملة والجانب. تم إجراء تجارب تحقق من صحة البحث بشكل موسع من خلال الاستفادة من مجموعة بيانات 20 Newsgroups، ومجموعة بيانات مراجعة الأفلام (MR)، ومجموعة بيانات المشاعر الدقيقة (FSD). تشير تحليلاتنا التجريبية إلى أن GANs يمكن أن تتعلم بنجاح تمثيلات نصوص اللغة الطبيعية على المستويات الثلاثة المذكورة آنفاً.
درس Vlachostergiou وآخرون (Mon,) هذا السؤال.