标签：产生 learn form get 额外 没有 好的 idt 决策
句法控制释义网络 SCPNS 生成对抗样本
我们提出了句法控制意译网络(SCPNs)，并利用它们来生成对抗性的例子。给定一个句子和一个目标语法形式(例如，一个选区解析)，scpn经过训练，可以用所需的语法产生句子的释义。我们展示了为这个任务创建训练数据是可能的，首先在非常大的范围内进行反向翻译，然后使用解析器来标记在这个过程中自然发生的语法转换。这样的数据允许我们用额外的输入训练一个神经编码器解码模型来指定目标语法。自动化和人工评估的结合表明，与基准(非受控)释义系统相比，scpn生成的释义符合其目标规范，且不会降低释义质量。此外，它们更有能力生成语法上对立的例子，从而(1)愚弄预先训练的模型，(2)提高了这些模型在用于扩充训练数据时对语法变化的鲁棒性。
我们介绍了解决这一问题的第一种学习方法，建立在神经编解码器模型的通用性之上，以支持广泛的转换。
面临两个新的挑战:(1)获得大量的用于训练的释义 pairs (2)定义句法转换来给这些pair标签。
为各种各样的现象收集足够的输入-输出对。我们的重点是语法转换，我们使用来自线性化的选区分析 linearized constituency parses的模板来定义语法转换。给定这样的并行数据，我们可以很容易地训练一个以句子和目标语法模板为输入，并生成所需的解释的编译码器模型。
我们的模型，即语法控制释义网络(SCPN)，能够为情感分析和文本隐含数据集生成对抗性的例子，这些例子对预训练模型的性能有显著影响：
we use the PARANMT-50M corpus from Wieting and Gimpel (2017).
Stanford parser < p1, p2> <s1, s2> 这个p1 p2具体是什么
将目标语法形式放松为一个解析模板，我们将其定义为线性化解析树的顶层和顶层(与根一起位于根的下面)
Given a sentential paraphrase pair (s1, s2) and a corresponding target syntax tree p2 for s2
encode s1 using a bidirectional LSTM (Hochreiter and Schmidhuber, 1997)
our decoder is a two-layer LSTM augmented with soft attention over the encoded states (Bahdanau et al., 2014) as well as a copy mechanism (See et al., 2017).
Following existing work in NMT (Sennrich et al., 2015), we preprocess s1 and s2 into subword units using byte pair encoding, and we perform decoding using beam search. For all attention computations, we use a bilinear product with a learned parameter matrix W: given vectors u and v, we score them by uTWv.
decoder
相反，我们使用与SCPN完全相同的体系结构训练另一个模型，以从解析模板生成完整的解析。这允许我们分两步进行预测:首先预测完整的语法树，然后使用该树生成释义。具体地说，对于第一步，假设t2是由目标解析p2的前两层组成的解析模板。这个解析生成器的输入是解析p1和t2的输入，它被训练成生成p2。我们从SCPN(即。，无联合优化)，以提高效率为目的。在测试时，用户只需要指定一个输入语句和目标模板;模板通过解析生成器提供，然后将其预测的目标解析发送到SCPN进行释义生成。
通过从完整的语法转换到模板，我们减少了但没有完全消除生成目标语法形式的负担。某些模板可能不适用于特定的输入语句(例如，将包含多个子句的长句转换为名词短语)。然而，其他语法可能与输入语法过于相似，导致更改很少。由于模板选择不是本文的重点，所以我们使用了一个相对简单的过程，即选择PARANMT-50M中最常见的20个模板。
因为我们不能为每个模板生成一个有效的释义，所以我们进行后处理来删除无意义的输出。特别地，我们使用n-gram overlap和释义相似度对生成的释义进行过滤，后者使用来自Wieting和Gimpel(2017)的预训练词TRIAVG句子嵌入模型来计算。由于有了PARANMT-50M的数据，这些释义式的句子嵌入明显优于之前的研究。
在使用SCPN在下游数据集上生成对抗性示例之前，我们需要确保它的输出释义是有效的和语法的，并且它的输出遵循指定的目标语法。在本节中，我们将SCPN与神经反向翻译基线(NMT-BT)在我们的parnmt - 50m分割的开发集上进行比较，使用了人工和自动化实验。NMTBT是相同的预先训练捷克英语模型，用于创建PARANMT-50M;然而，在这里我们使用它来产生两个方向(即。，英语-捷克语和捷克英语)。
为了衡量释义质量和语法程度，我们进行了一个众包实验，要求工人们在Kok和布罗基特(2010)的三点量表上对释义对(s, g)进行评分，其中s为源句，g为生成句。如此规模的一个0表示没有解释关系,虽然1意味着g是一个不通释义和2意味着g是一个s的语法解释。我们从发展的我们选择100个解释对PARANMT-50M分割后处理步骤详细后(3.3节)和有三个工人每一对。为了评价句法操作对英语教学质量的影响，我们进行了大量的实验研究，只选择顶级解析模板不同的句子(即， ts != tg)，确保两个系统的输出在语法上与源语句不同。
结果(表1)表明，非受控NMT-BT模型s输出与SCPN输出在质量和语法上具有可比性;这两种体系都没有明显的优势。更有趣的是，当将模板提供给SCPN(通过第3.2节中描述的解析生成器)而不是完整的解析树时，我们没有发现质量下降，这表明解析生成器在生成可信的解析树方面做得很好;因此，对于接下来的所有对抗评估，我们只使用SCPN的模板变体。
释义是否符合目标规范?
接下来，我们确定SCPN s生成的释义符合目标语法的频率:如果g是生成的释义，pg是它的解析，那么pg与基本事实目标解析p2匹配的频率是多少?我们使用精确的模板匹配对我们的开发集进行评估:只有当g的解析pg的前两个级别与p2匹配时，g才被视为与s2匹配的语法。我们评估了两个SCPN配置，其中一个配置给出了完整的目标解析p2，另一个配置给出了在目标模板t2上运行解析生成器的结果。作为完整性检查，我们还使用相同的度量来评估解析生成器。
结果(表2)表明SCPN确实实现了对其大部分输入的语法控制。我们的解析生成器生成几乎总是匹配目标模板的完整解析;然而，使用这些语法生成的释义在语法上不太准确。对生成的解析进行定性检查，可以发现它们在较低层次成分的排序或存在性方面与基本事实目标解析不同(表6);我们的理论是，这些差异可能抛出SCPN s解码器。
NMT-BT系统产生的释义在语法上与输入语句非常相似:28.7%的释义与输入语句s1具有相同的模板，而只有11.1%的释义与基本事实目标s2具有相同的模板。即使我们训练SCPN对于由NMT反向翻译生成的数据，我们通过将语法合并到学习过程中来避免这个问题。
内在评价表明，SCPN产生的释义质量可与不受控制的NMT-BT系统相媲美，同时也符合指定的目标规范。接下来，我们将研究控制释义在反例生成中的作用。为了将问题形式化，假设某个下游任务的预训练模型在给定测试时实例x的情况下生成预测yx。我们的研究结果表明，在情感分析和蕴涵任务上，使用适当的模板选择控制意译生成比反向翻译产生更有效的反例。
binary sentiment classification SST
我们再次转向众包实验。我们要求工人为给定的句子或句子对选择合适的标签(例如，SST是正的还是负的)，然后我们将工人的判断与原始开发示例s标签进行比较。对于这两种模型，我们随机选择100个对抗性的例子，并让3名工作人员对每个例子进行注释。结果(表4)表明，在较为复杂的海温数据上，SCPN s转述的有效对抗性例证比例高于NMT-BT，这尤其令人鼓舞，因为我们的模型产生的对抗性例证也明显多于NMT-BT。
这篇文章里用了大量人工啊。
5.4 Increasing robustness to adversarial examples
如果我们另外增加两个任务的训练数据控制的迂回,我们可以增加一个下游模型鲁棒性对抗的例子在发展。量化这种效果,我们的训练集生成控制转述SST和生病的使用相同的模板与前面的实验。然后，我们将这些转述作为额外的培训示例，并重新培训biLSTM任务模型。如表4所示，SCPN s释义训练在不影响原始测试集准确性的前提下，显著提高了对语法对抗样本的鲁棒性。
NMT-BT释义的增强增强了SICK的鲁棒性，但是在SST上，它降低了测试的准确性，但在鲁棒性上没有显著的提高;这可能是因为与SCPN相比，它缺乏语法变化。
在上一节中，我们定量地评估了SCPN产生有效释义和反例的能力。在这里，我们来看一下模型生成的实际句子。除了分析SCPN相对于NMT-BT的优缺点之外，我们还研究了模型的各种配置所产生的释义之间的差异，以确定每个主要设计决策的影响(例如，模板而不是完整的解析)。
语法操作:表3演示了SCPN执行语法操作的能力，显示了使用不同模板生成的两个句子的释义。许多示例显示了复杂的转换，同时保留了输入语义和语法性，即使目标语法与源语法非常不同(例如，将声明性转换为疑问句时)。然而，失败案例表明，并非每个模板都能产生有效的释义，因为当试图将输入语义压缩到不合适的目标形式时，有时会生成无意义的输出。
作为未来的工作，将这一下游信号提供给NMT-BT和SCPN将是有趣的;对于后者，也许这个信号可以指导模板选择过程，而模板选择过程目前固定在一个小的有限集上。
具体来说，不受控制的SCPN有38.6%的时间产生与输入模板相同的释义，而NMT-BT有28.7%(第4.2节).
相关工作
Madnani和Dorr(2010)回顾了用于释义生成的数据驱动方法，指出了两大类:基于模板的和基于翻译的。第一家庭包括使用手工规则的方法(McKeown, 1983)、基于辞典的替代方法(Bolshakov和Gelbukh, 2004;Zhang和LeCun, 2015)，晶格匹配(Barzilay和Lee, 2003)，以及基于模板的shake &贝克转述(卡尔等人，2005)。这些方法通常产生语法输出，但它们在多样性上可能受到限制。
第二类包括使用基于并行文本的方法重写输入的方法(Bannard和Callison-Burch, 2005)、机器翻译(Quirk et al.， 2004;Napoles等，2016;铃木等，2017)，或相关统计技术(赵等，2009)。与我们的工作特别相关的方法是，结合语法来提高意译输出的流畅性。Callison-Burch(2008)将释义限制为与输入相同的语法类型，尽管他关注的是短语级的释义，而不是句子级的释义。Pang等人(2003)从生成句法释义的翻译对中学习有限状态自动机，尽管这需要将多个翻译成同一种语言，并且不能用于在此数据集之外生成释义。沈等人(2006)将此扩展到更深层次的句法分析。所有这些方法都使用语法改善语法，这是由我们的解码器语言模型处理。最近的研究涉及到神经方法。Iyyer等人(2014)通过在测试时随机选择解析树，使用依赖树递归自动编码器生成释义。Li等(2017)使用深度强化学习生成释义。Gupta等人(2017)使用变分自动编码器生成多个释义。这些方法与我们的方法的不同之处在于，它们都没有提供对释义语法形式的细粒度控制。
与我们的方法相关最多的是基于句法转换的方法，如Woodsend和Lapata(2011)基于准同步语法的树对树的句子简化方法(Smith and Eisner, 2006)。我们的方法更一般，因为我们不需要语法，只有软约束。也许与该方法最接近的是Ficler and Goldberg(2017)的条件递归语言模型，该模型生成的语言具有用户选择的属性，如句子长度和形式，但无法生成释义。
对于对话，Li等人(2016a)利用说话者身份影响输出，Wang等人(2017)建立模型来影响输出的主题和风格。Shen等(2017)对非平行文本进行风格转移，Guu等(2017)从原型生成新颖的句子;同样，这些方法并不一定要生成保留意义的释义，而只是转换了具有不同风格的句子。
提出了一种用于句法控制释义生成的编译码器模型SCPN，并证明了该模型是一种有效的反例生成方法。使用解析器，我们标记了大型反向翻译数据中的语法变化，这为SCPN提供了训练数据。与现有的不受控制的释义生成系统相比，该模型显示的词汇变化要小得多，而更喜欢纯粹的语法修改。它能够生成对抗的例子来愚弄预先训练好的NLP模型。此外，通过对这些例子的训练，我们提高了这些模型对句法变化的鲁棒性。
论文阅读 | Adversarial Example Generation with Syntactically Controlled Paraphrase Networks
标签：产生 learn form get 额外 没有 好的 idt 决策
原文地址：https://www.cnblogs.com/shona/p/11579244.html
