摘要： (1)用对抗性的源实例攻击翻译模型; (2)使用对抗性目标输入来保护翻译模型，提高其对对抗性源输入的鲁棒性。 生成对抗输入：基于梯度 （平均损失） -> AdvGen 我们的工作处理由白盒NMT模型联合生成的扰动样本 -> 知道受攻击模型的参数 ADVGEN包括encoding, decoding: 阅读全文

摘要： [pdf] [code] 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 阅读全文

摘要： 自然语言推理是NLP高级别的任务之一，不过自然语言推理包含的内容比较多，机器阅读，问答系统和对话等本质上都属于自然语言推理。最近在看AllenNLP包的时候，里面有个模块：文本蕴含任务(text entailment)，它的任务形式是： 给定一个前提文本（premise），根据这个前提去推断假说文本 阅读全文

摘要： [code&data] [pdf] ARCT 任务是 Habernal 等人在 NACCL 2018 中提出的，即在给定的前提（premise）下，对于某个陈述（claim），相反的两个依据（warrant0，warrant1）哪个能支持前提到陈述的推理。 他们还在 SemEval-2018 中指出 阅读全文

摘要： 适用任务 中文分词、词性标注、命名实体识别是自然语言理解中，基础性的工作，同时也是非常重要的工作。 在很多NLP的项目中，工作开始之前都要经过这三者中的一到多项工作的处理。 在深度学习中，有一种模型可以同时胜任这三种工作，而且效果还很不错--那就是biLSTM_CRF。 biLSTM，指的是双向LS 阅读全文

摘要： [code&data] [pdf] 主要工作 文章首先证明了对抗攻击对NLP系统的影响力，然后提出了三种屏蔽方法： visual character embeddings adversarial training rule-based recovery 但屏蔽方法在非攻击场景下的性能仍然较差，说明了 阅读全文

摘要： [code] [blog] 主要思想和贡献 以前，NLP中的对抗攻击一般都是针对特定输入的，那么他们对任意的输入是否有效呢？ 本文搜索通用的对抗性触发器：与输入无关的令牌序列，当连接到来自数据集的任何输入时，这些令牌序列触发模型生成特定的预测。 例如，触发器导致SNLI隐含精度从89.94%下降到 阅读全文

摘要： 攻击 supporting facts 的修改：字符调换，替换词（用空格embedding或近同义词，变形词等） 还有针对question的攻击。 梯度下降，在embediing上做攻击，如何decode是个问题。 防御 如果把大量对抗样本加到训练样本一起训练不够显示，作用不是很大，随时都可能会有新 阅读全文

摘要： 主要思想 这篇文章主要是利用多个标准进行中文分词，和之前复旦的那篇文章比，它的方法更简洁，不需要复杂的结构，但比之前的方法更有效。 方法 堆叠的LSTM，最上层是CRF。 最底层是字符集的Bi-LSTM。输入：字符集embedding，输出：每个字符的上下文特征表示。 得到ht之后， CRF作为推理 阅读全文

摘要： NLP中对抗应用 1. 分词 ， 可以用GAN来做，消除不同分词器的差异性 2. 风格迁移， 这个在图像中应用较多，在NLP中同样可行 3. 提高问答系统/阅读理解的性能。 4. 机器翻译应该也可以做，可以用GAN，不同的翻译规则 -> 趋于相同的答案 那这么说，一切和消歧相关的其实都可以用GAN来 阅读全文