标题：艾伦研究院、华盛顿大学|Tailor: Generating and Perturbing Text with Semantic Controls（Tailor：使用语义控制生成和扰动文本）

简介：制造受控扰动至关重要用于各种任务（例如，数据增强），但构建任务特定的生成器比较昂贵。我们提出了裁剪器，一个基于语义控制的任务无关的干扰文本生成系统。与训练不同，我们设计了裁剪生成器，以遵循一系列从语义角色中提取的控制代码。通过修改这些控制代码，裁剪器可以产生细粒纹扰动。我们在控制代码上实施一组操作可组成复杂的扰动策略，并在三个不同的应用中展示其有效性：第一，裁剪器促进高质量构建对比集是词汇多样化，和比原始任务测试数据的偏差小。其次，裁剪器与自动标签启发式产品搭配，通过数据增强帮助改进模型的推广：通过扰动仅≈5%的训练数据，我们获得了自然语言推理挑战集的平均收益为1.73。第三，在没有任何微调开销的情况下，裁剪器的扰动有效地提高了细粒度风格迁移效果，在6个迁移数据集中优于微调基线。