Classement adversarial pour la génération de langage

Les réseaux antagonistes génératifs (GANs) ont beaucoup de succès dans la synthèse de données. Cependant, les GANs existants restreignent le discriminateur à être un classificateur binaire, ce qui limite leur capacité d'apprentissage pour des tâches nécessitant de synthétiser des sorties avec des structures riches, telles que des descriptions en langage naturel. Dans cet article, nous proposons un nouveau réseau antagoniste génératif, RankGAN, pour générer des descriptions linguistiques de haute qualité. Plutôt que d'entraîner le discriminateur à apprendre et à assigner un prédicat binaire absolu pour chaque échantillon de données individuel, le RankGAN proposé est capable d'analyser et de classer une collection de phrases écrites par des humains et par des machines en donnant un groupe de référence. En examinant un ensemble d'échantillons de données de manière collective et en évaluant leur qualité à travers des scores de classement relatifs, le discriminateur est capable de faire une meilleure évaluation qui, à son tour, aide à apprendre un meilleur générateur. Le RankGAN proposé est optimisé par la technique du gradient de politique. Les résultats expérimentaux sur plusieurs ensembles de données publics démontrent clairement l'efficacité de l'approche proposée.