GAN在seq2seq中的应用 Application to Sequence Generation

Improving Supervised Seq-to-seq Model

有监督的 seq2seq ，比如机器翻译、聊天机器人、语音辨识之类的 。

 

而 generator 其实就是典型的 seq2seq model ，可以把 GAN 应用到这个任务中。

 

RL(human feedback)

训练目标是，最大化 expected reward。很大的不同是，并没有事先给定的 label，而是人类来判断，生成的 x 好还是不好。

 

简单介绍一下 policy gradient。更新 encoder 和 generator 的参数来最大化 human 函数的输出。最外层对所有可能的输入 h 求和（weighted sum，因为不同的 h 有不同的采样概率）；对一个给定的 h，对所有的可能的 x 求和（因为同样的 seq 输入可能会产生不一样的 seq 输出）；求和项为 R(h, x)*P_θ (x | h) ，表示给定一个 h 产生 x 的概率以及对应得到的 reward（整项合起来看，就是 reward 的期望）

 

用 sampling 后求平均来近似求期望：

 

 

但是 R_θ 近似后并没有体现 θ（隐藏到 sampling 过程中去了），怎么算梯度？先对 P_θ (x | h) 求梯度，然后分子分母同乘 P_θ (x | h) ，而 grad(P_θ (x | h)) / P_θ (x | h) 就等于 grad(log P_θ (x | h))，所以就在 R_θ 原本的近似项上乘一个 grad(log P_θ (x | h))

 

如果是 positive 的 reward（R(hi, xi) > 0）, 更新 θ 后  P_θ (xi | hi) 会增加；反之会减小（所以最好人类给的 reward 是有正有负的）

 

整个 implement 的过程就如下图所示，注意每次更新 θ 后，都要重新 sampling

 

RL 的方法和之前所说的 seq2seq model （based on maximum likelihood）的区别

 

GAN(discriminator feedback)

不再是人给 feedback，而是 discriminator 给 feedback。

 

 

训练流程。训练 D 来分辨 <c, x> pair 到底是来自于 chatbot 还是人类的对话；训练 G 来使得固定的 D 给来自 chatbot 的 (c', x^~) 高分。

 

 

仔细想一下，训练 G 的过程中是存在问题的，因为决定 LSTM 在每一个 time step 的 token 的时候实际上做了 sampling (或者取argmax)，所以最后的 discriminator 的输出的梯度传不到 generator（不可微）。

 

怎么解决？

　　1. Gumbel-softmax https://casmls.github.io/general/2017/02/01/GumbelSoftmax.html

　　首先需要可以采样，使得离散的概率分布有意义而不是只能取 argmax。对于 n 维概率向量 π，其对应的离散随机变量 x _π 添加 Gumbel 噪声再采样。

　　x _π  = argmax(log(π _i) + G _i)

　　其中，G _i 是独立同分布的标准 Gumbel 分布的随机变量，cdf 为 F(x) = exp(-exp(-x))。为了要可微，用 softmax 代替 argmax（因为 argmax 不可微，所以光滑地逼近），G _i 可以通过 Gumbel 分布求逆，从均匀分布中生成 G _i = -log(-log(U _i))，U _i ~ U(0, 1) 

　　

 

 

　　2. Continuous Input for Discriminator 

　　避免 sampling 过程，直接把每一个 time step 的 word distribution 当作 discriminator 的输入。

　　 

　　这样做有问题吗？明显有，real sentence 的 word distribution 就是每个词 one-hot 的，而 generated sentence 的 word distribution 本质上就不会是 1-of-N，这样 discriminator 很容易就能分辨了，而且判断准则没有在考虑语义了（直接看是不是 one-hot 就行了）。

　　

 

　　3. Reinforcement Learning

　　 

　　把 discriminator 的 output 看作是 reward：

　　　　• Update generator to increase discriminator = to get maximum reward　　　　

　　　　• Using the formulation of policy gradient, replace reward  R(c, x) with discriminator output D(c, x)

　　

　　和典型的 RL 不同的是，discriminator 参数是要 update 的，还是要输入给 discriminator 现在 chatbot 产生的对话和人类的对话，训练 discriminator 来分辨。

　　

 

 

　

Unsupervised Seq-to-seq Model

 

Text Style Transfer

用 cycle GAN 来实现，训练两个 GAN，实现两个 domain 的互相转。仍旧要面对 generator 的输出要 sampling 的情况，选择上述第二种解决方案，就是连续化。直接用 word embedding 的向量。

 

 

也可以用映射到 common space 的方法，sampling 后离散化的问题，可以用一个新的技巧解决：把 decoder LSTM 的 hidden layer 当作 discriminator 的输入，就是连续的了。

 

 

Unsupervised Abstractive Summarization

 

Unsupervised Translation

 

转载于:https://www.cnblogs.com/chaojunwang-ml/p/11453946.html