标题：LANGUAGE MODELING VIA STOCHASTIC PROCESSES

文章：https://arxiv.org/abs/2203.11370

代码：https://github.com/rosewang2008/language_modeling_via_stochastic_processes

本篇文章可谓是开放域对话的又一开山制作，众所周知，开放域对话是无状态的，不能像任务式对话那样进行状态的追踪，也即不可控性。本文则提出了一种基于布朗桥的文本生成方法，对对话过程进行编码，构建布朗桥来控制对话的过程。

1. 基于布朗桥过程的编码器

        首先训练一个编码器，将句子从文本空间X映射到隐空间Z, 记为f：X->Z。在隐空间中的移动轨迹应遵循布朗桥运动。也就是说，该轨迹的起点和终点固定，设为z0和zT则在时间点 t 时, zt 服从以下正态分布：

        其均值是z0和zT之间随时间变化的线性插值。方差部分，可以直观理解为：在靠起点和终点处方差较小,而中间部分则方差较大（如下图左侧所示）。 

• 怎样训练一个编码器来拟合这个过程呢?

        对于句子序列，从中随机采样顺序（但未必相邻）的三个句子(x0,xt,xT)优化目标为：使得f(x0)遵循布朗桥运动轨迹。其目标函数可以写为：

         可以理解为：使得(x0,xt,xT)更加接近布朗桥过程，而其他负样本三元组与布朗桥过程的差异变大。其中，函数d(.)用于度量编码器预测结果到布朗桥轨迹的距离

 2. 基于GPT微调解码器生成

        用上述编码器得到隐空间中的布朗桥轨迹后，需要再使用一个解码器，以该轨迹为条件生成对应的文本。对于该解码器的训练，直接对GPT2进行微调。

        在 inference 时，给定隐空间起点z0与终点zT，只需随机采样一个两点之间的布朗桥过程，然后用上述解码器进行生成即可，如下图所示：

 3. 结果

RQ1:Can Time Control model local text dynamics?

Section 4.1 investigates this question using a sentence ordering prediction task: given two sentences from the same document, we evaluate whether different models can predict their original order.

RQ2: Can Time Control generate locally coherent text?

Section 4.2 investigates this question using the text-infilling task: given prefix and suffix, we evaluate how well different models can fill in between.

RQ3: Can Time Control model global text dynamics?

 Section 4.3 investigates this question on text generation for Wikipedia city articles by examining the length of generated sections.

 RQ4: Can Time Control generate long coherent documents?

Section 4.4 investigates this question on forced long text generation: we evaluate how well models preserve global text statistics (such as typical section orders and lengths) when forced to extrapolate during generation.